行車紀錄器mobile01的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

應用於先進駕駛輔助系統之嵌入式深度學習多尺度物件偵測暨即時遠方區域定位技術模型

為了解決行車紀錄器mobile01的問題，作者吳柏勳 這樣論述：

本論文提出一個用於前方行車紀錄器視角，可自動偵測畫面最遠處並專注於遠處物件的物件偵測方法，嘗試解決先進駕駛輔助系統應用常有的偵測距離不夠遠的問題。我們設計出一個有效率的多尺度物件偵測網絡，命名為ConcentrateNet，能自動尋找畫面的消失點，並關注其附近區域。在模型的第一次推論會產生較大視野下的物件偵測結果和消失點位置的預測，消失點位置就代表著畫面的最遠處。接著利用消失點位置將其附近區域擷取下來再進行一次模型推論，便可得到遠處物件的偵測結果。最後，使用特定非極大值抑制方法將兩次結果結合。此網路架構得以應用在多數物件偵測模型。我們使用幾個具最先進技術之物件偵測模型加入Concentrat

eNet架構做實驗。相比原模型使用較高輸入圖片畫質，ConcentrateNet架構使用較低畫質圖片作為輸入，以較低的運算量取得大幅準度提升。並且，我們成功將各ConcentrateNet架構放上低功耗車用嵌入式平台NVIDIA Jetson AGX Xavier驗證。

用來面對各種天候情況以提升行車安全的影像處理方法

為了解決行車紀錄器mobile01的問題，作者陳季廷 這樣論述：

汽車是全世界最普及的交通工具之一，它也成為許多家庭不可缺少的代步工具，但是在汽車帶給我們便捷的同時，也帶來更高的交通事故率。為了避免車輛碰撞引發車禍，許多針對行車安全的駕駛輔助系統被列為車用主動安全配備中，例如: 前方碰撞預警、車道偏離警示等。在這些安全系統中，有多種偵測車輛的方式，如雷達、光達與攝影機等，但相對較便宜且方便的感測方式是用一般攝影機。因此只利用行車紀錄器偵測前後車輛，警示駕駛以提升行車安全的系統有其價值與意義。但此類系統在面對不良天氣狀況下的探討則顯得較為不足。例如: 霧霾、附著在玻璃窗上的雨滴、飄落的雪花都可能影響車輛偵測的準確性。因此考量系統的完備性，勢必要克服這幾種天氣

的狀況。針對天候影響，我們設計了雨天、霧天及雪天的模式，這三種模式都有對應的神經網路進行影像修復；在執行車輛偵測前，系統會將受影響的影像復原，以提高系統對車輛物件辨識的準確度。在車輛偵測上本研究首先將數據集減少至只需要的物件種類，再探討MobileNet-SSD 和Yolo這兩種常見且即時的深度學習物件偵測神經網路，以找出執行速度夠快且夠精準的網路模型。實驗結果顯示，物件辨識網路都具備即時且高精確度的能力。在霧天時，經過影像復原後辨識系統的準確度有明顯提升，在雨天和雪天中，雖然辨識系統的準確度有提升，但並沒有非常顯著。最後本研究嘗試將經過復原處理的影像加入至訓練集來產生新網路並與原網路做比較，

實驗結果顯示新增的訓練集能使辨識率獲得提升。整體來說，本研究所提出的系統能因應常見氣候給予影像復原，並且在提升準確度的同時達到即時的需求。本研究所提出的方法可提高視覺式主動安全輔助系統在天候不佳時的效能，提升行車的安全性。