Тип публикации: статья из журнала
Год издания: 2024
Идентификатор DOI: 10.18413/2518-1092-2024-9-4-0-7
Ключевые слова: autonomous vehicles, federated learning, YoloV11, object detection, deep learning, distributed systems, artificial intelligence, computational efficiency, автономные транспортные средства, федеративное обучение, обнаружение объектов, глубокое обучение, распределенные системы, искусственный интеллект, вычислительная эффективность
Аннотация: 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 ценПоказать полностьютрализованного 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. Autonomous vehicles (AVs) require high-performance systems for environmental perception, especially for accurate object detection. Systems based on deep neural networks perform well, but often face challenges due to the high computational cost and the need for centralised data collection. This paper proposes the integration of federated learning with the YOLOv11 model to create more efficient and scalable ATS solutions. The FLYolo11 model is presented, which optimises object detection in computationally constrained environments, improving accuracy and performance without the need for centralised training. Experimental results show that the model significantly improves the detection performance at average computational cost compared to other approaches.
Журнал: Научный результат. Информационные технологии
Выпуск журнала: Т. 9, № 4
Номера страниц: 58-64
ISSN журнала: 25181092
Место издания: Белгород
Издатель: Белгородский государственный национальный исследовательский университет