| Titre : |
Commande d’un véhicule autonome basée sur le End to End deep learning |
| Type de document : |
texte imprimé |
| Auteurs : |
Imène Aribi, Auteur ; Khaled Sayad, Auteur ; Hachemi Chekireb, Directeur de thèse |
| Editeur : |
[S.l.] : [s.n.] |
| Année de publication : |
2018 |
| Importance : |
114 f. |
| Présentation : |
ill. |
| Format : |
30 cm. |
| Accompagnement : |
1 CD-ROM. |
| Note générale : |
Mémoire de Projet de Fin d’Étude : Automatique : Alger, École Nationale Polytechnique : 2018
Bibliogr. f. 112 - 114 |
| Langues : |
Français (fre) |
| Mots-clés : |
Apprentissage profond
Vision par ordinateur
Véhicules autonomes
Véseaux de neurones convolution
End to end learning |
| Index. décimale : |
PA00518 |
| Résumé : |
Les véhicules autonomes présentent de grands avantages pour l'amélioration de la mobilité et la réduction de la pollution. Les algorithmes traditionnels basés sur la vision par ordinateur ont été la principale méthode de navigation d'un véhicule autonome où la prise de décision était le produit d’un comportement construit manuellement. Ces dernières années, l'apprentissage profond a démontré ses extraordinaires capacités de reconnaissance visuelle et de prise de décision dans les systèmes end to end. Dans ce mémoire, nous étudierons la performance d'une stratégie d'apprentissage E2E combinée avec la technologie des CNN (convolutionnal neuronnetwork) |
Commande d’un véhicule autonome basée sur le End to End deep learning [texte imprimé] / Imène Aribi, Auteur ; Khaled Sayad, Auteur ; Hachemi Chekireb, Directeur de thèse . - [S.l.] : [s.n.], 2018 . - 114 f. : ill. ; 30 cm. + 1 CD-ROM. Mémoire de Projet de Fin d’Étude : Automatique : Alger, École Nationale Polytechnique : 2018
Bibliogr. f. 112 - 114 Langues : Français ( fre)
| Mots-clés : |
Apprentissage profond
Vision par ordinateur
Véhicules autonomes
Véseaux de neurones convolution
End to end learning |
| Index. décimale : |
PA00518 |
| Résumé : |
Les véhicules autonomes présentent de grands avantages pour l'amélioration de la mobilité et la réduction de la pollution. Les algorithmes traditionnels basés sur la vision par ordinateur ont été la principale méthode de navigation d'un véhicule autonome où la prise de décision était le produit d’un comportement construit manuellement. Ces dernières années, l'apprentissage profond a démontré ses extraordinaires capacités de reconnaissance visuelle et de prise de décision dans les systèmes end to end. Dans ce mémoire, nous étudierons la performance d'une stratégie d'apprentissage E2E combinée avec la technologie des CNN (convolutionnal neuronnetwork) |
|
Ajouter le résultat dans votre panier
Visionner les documents numériques
Faire une suggestion Affiner la rechercheCommande d’un véhicule autonome basée sur le End to End deep learning (2018)
