研究文章
绩效评估的深度学习算法在实时环境中使用高端媒体处理板
表1
简要概述各种深学习算法在gpu上实现或传统的计算设备各种目标检测的目的。
|
| 深入学习算法实现了传统的计算设备 |
| 作者和出版年 |
硬件 |
算法 |
目的 |
|
| Artamonov et al。22] |
英伟达杰森/ Tegra |
YOLO——CNN的意思 |
交通标志识别 |
|
| Barba-Guaman et al。26] |
杰森纳米 |
SSD-Mobilenet V1和V2(单发射击探测器),SSD-inception V2, PedNet,多足动物 |
车辆和行人检测 |
|
| Komasilovs et al。12] |
英特尔i5, 16 GB的RAM |
SSD Mobilenet V1模型 |
交通标志识别 |
|
| 可以见到效果等。27] |
NVIDIA GeForce MX110 (2 GB), RPi3 NVIDIA杰森TX2 |
轻量级FCN |
人群中检测 |
|
| 赵et al。6] |
激光雷达(光探测和测距)传感器,NVIDIA GTX 1080我GPU |
在YOLOv2飙升卷积神经网络 |
车辆和行人检测的激光雷达和降低电力的损耗 |
|
| Avramovićet al。25] |
GeForce GTX 1080 Ti |
YOLO变体意思 |
交通标志识别 |
|
| Khazukov et al。24] |
GPU: GeForce RTX 2080 TI、CPU: 19 9900 k内存:64 GB |
YOLOv3 |
速度检测和分类 |
|
| Komasilovs et al。12] |
相机,英特尔i5处理器,16 GB的RAM |
SSD Mobilenet V1模型 |
对象检测和跟踪 |
|
| 布莱尔和罗伯逊(21] |
FPGA(现场可编程门阵列)、GPU和CPU |
猪,MoG(面向梯度直方图和高斯混合) |
对象跟踪/事件检测 |
|
|
