ИНТЕГРАЦИЯ ФЕДЕРАТИВНОГО ОБУЧЕНИЯ И YOLOV11 ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ В АВТОНОМНЫХ ТРАНСПОРТНЫХ СРЕДСТВАХ
Автономные транспортные средства (АТС) требуют высокоэффективных систем для восприятия окружающей среды, особенно для точного обнаружения объектов. Системы, основанные на глубоких нейронных сетях, показывают отличные результаты, но часто сталкиваются с проблемами, связанными с большими вычислительными затратами и необходимостью централизованного сбора данных. В этой статье предлагается интеграция федеративного обучения с моделью YOLOv11, что позволяет создавать более эффективные и масштабируемые решения для АТС. Представлена модель FLYolo11, которая оптимизирует обнаружение объектов в условиях ограниченных вычислительных мощностей, улучшая точность и производительность без необходимости в централизованном обучении. Экспериментальные результаты показывают, что модель значительно улучшает результаты обнаружения при средних вычислительных затратах по сравнению с другими подходами.
Тихонов М.К. Интеграция федеративного обучения и YOLOv11 для обнаружения объектов в автономных транспортных средствах // Научный результат. Информационные технологии. – Т.9, №4, 2024. – С. 58-64. DOI: 10.18413/2518-1092-2024-9-4-0-7
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
1. Ultralytics YOLO Docs. – URL: https://docs.ultralytics.com/ru (circulation date 24.11.2024).
2. Liu W. et al. Ssd: Single shot multibox detector // Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I 14. – Springer International Publishing, 2016. – pp. 21-37.
3. Ren S. et al. Faster R-CNN: Towards real-time object detection with region proposal networks // IEEE transactions on pattern analysis and machine intelligence. – 2016. – Т. 39. – №. 6. – pp. 1137-1149.
4. Ross T.Y., Dollár G. Focal loss for dense object detection //proceedings of the IEEE conference on computer vision and pattern recognition. – 2017. – pp. 2980-2988.
5. Wang S. et al. Federated deep learning meets autonomous vehicle perception: Design and verification // IEEE network. – 2022. – Т. 37. – №. 3. – pp. 16-25.
6. McMahan B. et al. Communication-efficient learning of deep networks from decentralized data // Artificial intelligence and statistics. – PMLR, 2017. – pp. 1273-1282.
7. Niranjan D. R. et al. Performance Analysis of SSD and Faster RCNN Multi-class Object Detection Model for Autonomous Driving Vehicle Research Using CARLA Simulator // 2021 Fourth International Conference on Electrical, Computer and Communication Technologies (ICECCT). – IEEE, 2021. – pp. 1-6.
8. Dosovitskiy A. et al. CARLA: An open urban driving simulator // Conference on robot learning. – PMLR, 2017. – С. 1-16.
9. Manikandan N. S., Ganesan K. Deep learning based automatic video annotation tool for self-driving car // arXiv preprint arXiv:1904.12618. – 2019.
10. Wang S. et al. Edge federated learning via unit-modulus over-the-air computation // IEEE Transactions on Communications. – 2022. – Т. 70. – №. 5. – pp. 3141-3156.