Profondità del Backbone ResNet e Regolarizzazione in RT-DETR in Condizioni Ambientali Variabili
Uno studio valuta RT-DETR per il rilevamento di oggetti rotondi nella robotica competitiva, confrontando quattro backbone ResNet (ResNet18, ResNet34, ResNet50, ResNet101) con diversi tassi di dropout. Le condizioni ambientali come illuminazione e contrasto di sfondo influenzano principalmente la confidenza delle previsioni, mentre la latenza di inferenza rimane stabile e l'accuratezza della classificazione rimane elevata (vicina o superiore a 1.00). La ricerca colma una lacuna nella letteratura sui rilevatori basati su transformer riguardo alla scala del backbone e alle impostazioni ambientali.
Fatti principali
- RT-DETR valutato per il rilevamento di oggetti rotondi in condizioni ambientali variabili
- Confronto di quattro backbone ResNet: ResNet18, ResNet34, ResNet50, ResNet101
- Analisi dei tassi di dropout per l'effetto su confidenza e accuratezza
- Le condizioni ambientali influenzano la confidenza delle previsioni
- La latenza di inferenza è in gran parte inalterata dai cambiamenti ambientali
- L'accuratezza della classificazione è costantemente elevata (vicina o superiore a 1.00)
- Lo studio colma la mancanza di letteratura sulla scala del backbone e le impostazioni ambientali nei rilevatori transformer
- Modelli addestrati con la stessa configurazione, testati con variazioni di illuminazione e contrasto di sfondo
Entità
—