畢業(yè)設(shè)計(論文)+基于深度學習的calmcarnet在嵌入式平臺的應(yīng)用

1、基于深度學習的基于深度學習的CalmCar在嵌入式平臺的應(yīng)用在嵌入式平臺的應(yīng)用1.CalmCar技術(shù)技術(shù)深度學習是近年來人工智能領(lǐng)域取得的最重要的突破之一，在當今計算機視覺領(lǐng)域取得了巨大的成功，各種基于深度學習的應(yīng)用層出不窮。由于車輛行駛環(huán)境復雜多變，傳統(tǒng)視覺感知技術(shù)在檢測與識別精度方面不能滿足輔助駕駛的發(fā)展需求，深度學習的出現(xiàn)則是彌補了這一缺憾，雖然相較于傳統(tǒng)視覺感知技術(shù)深度學習優(yōu)勢很明顯，但是由于深度學習所需計算資源龐大，硬件要求高

2、導致如今的深度學習只能在云端提供服務(wù)，對于實時性要求很高的輔助駕駛來說顯然不能接受。在國內(nèi)復雜的路況中各種雨天、霧霾天、下雪天以及沙塵暴屢見不鮮，路上的摩托車、電動自行車、行人、吊車以及拉貨卡車也是絡(luò)繹不絕，這些場景對于傳統(tǒng)視覺感知技術(shù)是一個難題，但是深度學習卻能毫無壓力的解決這個問題，深度學習模擬的是人類大腦的認知過程。從下圖可以看出，相對于傳統(tǒng)計算機視覺，深度學習在視覺感知精度方面有著巨大的優(yōu)勢以及潛力，當樣本量足夠的話準確率可以達

3、到99.99以上目前的深度學習大多使用的是卷積神經(jīng)網(wǎng)絡(luò)ConvolutionalNeuralwks（CNN），一種包含大量卷積節(jié)點和更多層數(shù)的神經(jīng)網(wǎng)絡(luò)機器學習算法。上圖是針對多個平臺做的實驗測評，其中GTX980是一塊高端GPU，另一塊則是嵌入式開發(fā)平臺JetsonTX1。在這兩個平臺上我們測試了包括CalmCar在內(nèi)的四種模型，在考慮到精度和效率問題CalmCar無疑是其中最優(yōu)秀的模型，能完全滿足在嵌入式開發(fā)平臺的實時應(yīng)用。CalmC