Leveraging Monte Carlo Dropout for Uncertainty Quantification in Real-Time Object Detection of Autonomous Vehicles

With the recent advancements in machine learning technology, the accuracy of autonomous driving object detection models has significantly improved. However, due to the complexity and variability of real-world traffic scenarios, such as extreme weather conditions, unconventional lighting, and unknown...

முழு விளக்கம்

சேமிக்கப்பட்டது:

நூற்பட்டியல் விவரங்கள்
முதன்மை ஆசிரியர்கள்:	Rui Zhao, Kui Wang, Yang Xiao, Fei Gao, Zhenhai Gao
வடிவம்:	Artigo
மொழி:	Inglês
வெளியிடப்பட்டது:	IEEE 2024-01-01
தொடர்:	IEEE Access
பொருள்கள்:	Uncertainty quantification object detection autonomous vehicles YOLOv5 Monte Carlo dropout
ஆன்லைன் அணுகல்:	https://ieeexplore.ieee.org/document/10401930/
குறிச்சொற்கள்:	குறிச்சொல்லை சேர்க்கவும் டாக்‌ஸ் இல்லை, இந்த பதிவுக்கு குறிச்சொல் சேர்க்கும் முதல் நபராக இருங்கள்!

Leveraging Monte Carlo Dropout for Uncertainty Quantification in Real-Time Object Detection of Autonomous Vehicles

ஒத்த வளங்கள்