As of today, the performance of convolutional neural networks (CNNs) h的简体中文翻译

As of today, the performance of con

As of today, the performance of convolutional neural networks (CNNs) has revolutionized image and pattern recognition by surpassing human performance on standard datasets.The strongest feature of CNNs is that they learn features automatically from training examples and hence override the human need to only select intuitive features for the model. Another benefit of CNNs is that they take advantage of the 2D structure of images and thus have a higher accuracy than a standard flattened neural network. This approach works better than the explicit feature decomposition approaches such as detection of lanes or neighboring cars, since the network decides the most optimal features to extract from the image for itself.The dataset given on Udacity’s GitHub repository is used for the CNN with 80% used for training and 20% for validation. The training data, in addition to the data from the human driver, consists of images of the vehicle car in various shifts from the center of the lane and rotations from the direction of the road.Time-stamped steering angles are extracted from the .bag files of the training data using Robotic Operating System (ROS) and paired with the corresponding image to form a tuple of (image, steering angle) for input to the CNN, which then computes a proposed steering command.Here is provided a methodology of implementing a level-2 autonomous vehicle in a relatively sparsely occupied environment.A CNN is trained on a dataset by Udacity and used to compute the optimal steering angle based on the image input through the camera. In case of obstruction in the path, three ultrasonic sensors are used to decide in which direction the vehicle should turn to continue on its path.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
截至今天,卷积神经网络 (CNN) 的性能通过在标准数据集上超越人类的性能,彻底改变了图像和模式识别。<br>CNN 最强大的特性是它们可以从训练示例中自动学习特征,从而超越了人类仅为模型选择直观特征的需要。<br>CNN 的另一个好处是它们利用了图像的 2D 结构,因此比标准的扁平化神经网络具有更高的精度。<br>这种方法比显式特征分解方法(例如检测车道或相邻汽车)效果更好,因为网络会自行决定从图像中提取的最佳特征。<br>Udacity 的 GitHub 存储库上提供的数据集用于 CNN,其中 80% 用于训练,20% 用于验证。<br>训练数据除了来自人类驾驶员的数据外,还包括从车道中心偏移的车辆图像和从道路方向旋转的车辆图像。<br>使用机器人操作系统 (ROS) 从训练数据的 .bag 文件中提取带时间戳的转向角,并与相应的图像配对,形成一个(图像,转向角)元组用于输入到 CNN,然后计算一个建议的转向命令。<br>这里提供了一种在相对人烟稀少的环境中实现 2 级自动驾驶汽车的方法。<br>CNN 在 Udacity 的数据集上进行训练,用于根据通过相机输入的图像计算最佳转向角。<br>如果路径中有障碍物,三个超声波传感器将用于决定车辆应该转向哪个方向以继续其路径。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
到今天为止,卷积神经网络(CNNs)的性能已经超过了人类在标准数据集上的性能,从而彻底改变了图像和模式识别。<br>CNNs最强大的特点是,它能从训练实例中自动学习特征,从而克服了只为模型选择直观特征的人类需求。<br>CNNs的另一个优点是利用了图像的二维结构,因此比标准的平坦神经网络具有更高的精度。<br>该方法比显式特征分解方法(如车道或相邻车辆检测)效果更好,因为网络决定了从图像中提取的最佳特征。<br>Udacity的GitHub存储库中提供的数据集用于CNN,其中80%用于培训,20%用于验证。<br>除了来自人类驾驶员的数据外,训练数据还包括车辆从车道中心开始的各种移动和从道路方向开始的旋转的图像。<br>使用机器人操作系统(ROS)从训练数据的.bag文件中提取时间戳转向角,并与相应的图像配对,形成一个(图像,转向角)元组以输入到CNN,然后CNN计算建议的转向命令。<br>这里提供了一种在相对稀疏的占用环境中实现二级自主车辆的方法。<br>利用Udacity在数据集上训练CNN,根据摄像机输入的图像计算最佳转向角。<br>如果路径中有障碍物,则使用三个超声波传感器来决定车辆应转向哪个方向以继续其路径。<br>
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
截至今天,卷积神经网络(CNNs)的性能已经通过在标准数据集上超越人类的性能而彻底改变了图像和模式识别。中枢神经系统的最大特点是它们从训练样本中自动学习特征,因此超越了人类只为模型选择直观特征的需要。中枢神经系统的另一个好处是,它们利用了图像的2D结构,因此比标准的扁平神经网络具有更高的精度。这种方法比显式特征分解方法(如检测车道或相邻车辆)效果更好,因为网络决定了从图像中为自己提取的最佳特征。Udacity的GitHub存储库中给出的数据集用于CNN,80%用于培训,20%用于验证。除了来自人类驾驶员的数据之外,训练数据还包括车辆从车道中心进行各种变换以及从道路方向进行旋转的图像。时间戳转向角度是从。使用机器人操作系统(ROS)打包训练数据文件,并与相应的图像配对,形成一个元组(图像,转向角度),输入到CNN,然后CNN计算出建议的转向命令。这里提供了一种在相对稀疏的占用环境中实现二级自主车辆的方法。美国有线电视新闻网是由乌达希在数据集上训练的,用于根据通过摄像机输入的图像计算最佳转向角。如果路径上有障碍物,使用三个超声波传感器来决定车辆应该转向哪个方向以继续其路径。
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: