Fedélzeti kamera képének elemzése
Bibliographic record
Abstract
A számítógépes látás világában jelöntős előrelépések történtek a mély tanuló technikák alkalmazásában, főleg az autonóm vezetés iparága körül. A szakdolgozatom fő célja, hogy ismertessem az autonóm vezetésben használt szemantikus szegmentáló technikákat. A dolgozatom külön figyelmet fordít az út felismerő technikákra. A megközelítés konvolúciós neurális hálózat alkalmazásán alapszik. Az kész hálózat betanításához és teszteléséhez a KITTI adathalmaz volt felhasználva, ezen kívül a program külön tesztelve volt a Cityscape adathalmaz tesztcsomagján is. A kutatások és tesztelések eredményeképpen elmondható, hogy egy ideig még az emberi vezetőké marad a főszerep, azonban pár éven belül a technológia el fogja érni azt a szintet, amikor a rendszer bármiféle külső segítség nélkül fog magától üzemelni.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.088 | 0.031 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".