Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
StreakNet-Arch: Kiến trúc dựa trên mạng chống phân tán cho hình ảnh radar LiDAR tàu sân bay dưới nước
Created by
Haebom
Tác giả
Tuyết Long Lý, Hồng Quân An, Hạo Phi Triệu, Quang Anh Lý, Bạc Lưu, Hình Vương, Quang Hoa Thành, Quốc Quân Ngô, Triết Tôn
Phác thảo
Trong bài báo này, chúng tôi trình bày StreakNet-Arch, một khuôn khổ phân loại nhị phân thời gian thực dựa trên LiDAR của phương tiện dưới nước (UCLR). StreakNet-Arch cải thiện khả năng triệt tiêu tán xạ bằng cách tích hợp sự tự chú ý và một sự chú ý chéo nhánh kép (DBC-Attention) mới. Trong điều kiện xác thực bể được kiểm soát, StreakNet-Arch với sự tự chú ý hoặc DBC-Attention hoạt động tốt hơn bộ lọc thông dải thông thường và đạt điểm F1 cao hơn so với các mạng MP dựa trên học máy và CNN ở cùng kích thước và độ phức tạp của mô hình. Kết quả chuẩn thời gian thực trên NVIDIA RTX 3060 cho thấy thời gian chụp ảnh trung bình không đổi (54-84 ms) bất kể số khung hình, trong khi các phương pháp thông thường tăng tuyến tính (58-1.257 ms). Để nghiên cứu thêm, chúng tôi cung cấp một tập dữ liệu hình ảnh camera ống streak có sẵn công khai chứa 2.695.168 dữ liệu đám mây điểm 3D dưới nước thực tế. Quan trọng hơn, thử nghiệm ở Biển Đông đã kiểm chứng hiệu suất của hệ thống UCLR bằng cách đạt được sai số 46 mm khi nhắm mục tiêu 3D ở độ sâu 1.000 m và khoảng cách 20 m. Mã nguồn và dữ liệu có sẵn tại https://github.com/BestAnHongjun/StreakNet .
Một khuôn khổ mới hiệu quả và chính xác (StreakNet-Arch) để phát hiện vật thể 3D dưới nước theo thời gian thực được trình bày.
◦
Xác minh hiệu ứng ngăn chặn sự phân tán bằng cách sử dụng sự chú ý tự thân và sự chú ý DBC và xác nhận hiệu suất được cải thiện so với các phương pháp hiện có
◦
Hỗ trợ nghiên cứu tiếp theo bằng cách phát hành bộ dữ liệu đám mây điểm 3D dưới nước thực tế quy mô lớn
◦
Xác minh hiệu suất hệ thống và đạt độ chính xác cao trong môi trường thực tế ở Biển Đông
•
Limitations:
◦
Hiệu suất tiềm ẩn có thể bị suy giảm do sự khác biệt giữa môi trường bể chứa được kiểm soát và môi trường biển thực tế
◦
Giới hạn hiệu suất tổng quát tùy thuộc vào tính đa dạng và phạm vi của tập dữ liệu
◦
Khó khăn trong việc khái quát hóa do đánh giá hiệu suất theo thời gian thực dựa trên phần cứng cụ thể (NVIDIA RTX 3060)
◦
Cần có sự xác nhận bổ sung trong nhiều môi trường dưới nước đa dạng hơn.
