Основа работы этих сетей – многократный прогон так называемой «матрицы весов» по всему обрабатываемому изображению. Нейросеть создает целую гамму матриц, каждая из которых кодирует отдельные элементы изображения (например, линии и дуги, расположенные под разными углами). Проход матрицы по слою формирует новое, чуть менее детальное изображение – карту признаков. Все эти карты признаков формируют новый слой. К нему снова применяется тот же механизм прогона матриц весов. С каждым повторением появляется всё больше карт, их детализация падает, а признаки становятся всё более явными. Повторяя этот процесс, нейросеть отфильтровывает маловажные детали и выделяет существенные элементы изображения.
Кайф! Молодцы большие 😊
Интересно, а характеристики автомобиля учитываются при обучении сети? Если например "пересадить" сеть в другой болид, у которого тормозной путь со 100км\ч короче, то придется переобучать? Или тут иначе работает?
Нейронные сети мы используем для анализа изображений, поступающих с камеры, и их работа не зависит от физической модели явно. Универсальность нейронной сети обусловлена большим датасетом. В нашем датасете присутствуют конусы, расположенные на различном расстояние от камеры. Присутствуют изображения с различных камер, при различных скоростях болида и в разных доменах.
Комментарий недоступен
Так наоборот же
Большие молодцы!
Супер, так держать ребята 👍👍👍