Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
CRIS Current Research Information System
A device can receive GPS data or values for a set of metrics at a set of GPS points that form a GPS track of a vehicle. The device can determine additional values for additional metrics using the GPS data or the values for the set of metrics. The device can determine a set of vectors for the set of GPS points using the GPS data, the values, or the additional values. The set of vectors can be used in a recurrent neural network (RNN) to classify the vehicle. The device can process the set of vectors via one or more sets of RNN layers of the RNN. The device can determine a classification of the vehicle using a result of processing the set of vectors. The result can be output by the output layer. The device can perform an action based on the classification of the vehicle.
Vehicle classification using a recurrent neural network (RNN)
Samuele Salti;Francesco Sambo;Leonardo Taccari;Luca Bravi;Matteo Simoncini;Alessandro Lori
2018
Abstract
A device can receive GPS data or values for a set of metrics at a set of GPS points that form a GPS track of a vehicle. The device can determine additional values for additional metrics using the GPS data or the values for the set of metrics. The device can determine a set of vectors for the set of GPS points using the GPS data, the values, or the additional values. The set of vectors can be used in a recurrent neural network (RNN) to classify the vehicle. The device can process the set of vectors via one or more sets of RNN layers of the RNN. The device can determine a classification of the vehicle using a result of processing the set of vectors. The result can be output by the output layer. The device can perform an action based on the classification of the vehicle.
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11585/741096
Attenzione
Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo
Citazioni
ND
ND
ND
social impact
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.