Car logo vector的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

一個有效的超參數最佳化演算法應用於捷運人流預測

為了解決Car logo vector的問題，作者方祉儼 這樣論述：

一個精準的神經網路模型必須仰賴模型所建立的架構以及模型的訓練過程，合適的參數設定能有效提升模型在分類與預測的準確率。超參數最佳化(hyperparametersoptimization;HPO)問題的目的為透過解空間的搜尋找出一組最適合訓練資料集的神經網路超參數，使模型的效能最大化。許多研究以超啟發式演算法作為超參數最佳化的搜尋策略，但通常著重於群體之間的影響，而非整體解空間的搜尋，導致群體收斂於區域最佳解，使模型效能提升受限。本論文提出一個基於搜尋經濟學演算法的超參數最佳化(searcheconomicsforhyperparametersoptimization;SEHPO)演算法，其概

念將解空間劃分為數個投資市場，投資者透過研發新樣品、計算期望值與市場調查來提升樣品的品質，並往潛力更高的市場進行投資，藉此提升找到全域參數解的可能性。為了評估演算法的效能，本論文實作了傳統的機器學習模型及其他四種不同的超參數搜尋方法來與SEHPO進行效能比較，並應用於臺北捷運站多個站點的人流預測，以提升模型的預測準確性，使營運方能提前對擁擠的捷運站人潮進行疏散措施。本論文將資料集以二種面向來分析模型的效能差異，第一種為是否屬於平日或假日，第二種為是否加入時序性資料特徵。實驗結果顯示SEHPO在上述資料集中皆能搜尋到更佳的神經網路超參數組合，得到最低的平均絕對百分比誤差值，使模型能預測出更接近真

實的人流資料。

基於視覺的多旋翼無人機降落平台辨識方法之研究

為了解決Car logo vector的問題，作者張則笙 這樣論述：

近年來無人機（Unmanned Aerial Vehicle, UAV）的技術日漸成熟，其中又以多旋翼無人機（Multicopter）發展最為迅速，與傳統固定翼無人機相比，多旋翼無人機具有空中懸停及垂直起降等優點，因此只需小面積的平台即可起飛執行任務，伴隨著誕生許多開源無人機系統及套件，讓創客們有了新的挑戰目標。以往自製的多旋翼無人機需靠人眼識別或是透過攝影機畫面手動降落，進而局限了多旋翼無人機機動的特性，若需要在視線範圍外降落於移動平台將會更加困難。本論文主要使用類神經網路辨識無人機降落平台，將無人機降落平台標誌固定於移動平台上，並使用攝影機拍攝降落平台，透過OpenCV進行影像前處裡，從

畫面中提取可能為降落平台的區域，再使用VGG及MobileNet的預訓練模型擷取影像中的特徵，最終使用Autoencoder模型壓縮及SVM分類，辨識輸入影像中是否存在無人機降落平台標誌，以達到使用影像無人機降落平台標誌的目標，實驗結果顯示Autoencoder壓縮SVM辨識在試影片中得到91.87%正確率，使用MobileNet搭配Autoencoder壓縮與SVM辨識的方法在測試影片中取得99.54%正確率。