Collaborateurs sur le Défi Omdena iRAP de 8 semaines qui visaient à recueillir des solutions basées sur l'IA pour cartographier les risques d'accident et générer des données d'attributs de notation iRAP ont partagé certains des résultats de leur publication.
Plus tôt cette année, 50 experts en IA et en apprentissage automatique, dont des étudiants en herbe, des scientifiques des données, des ingénieurs en apprentissage automatique et en données, et des experts du domaine du monde entier, ont travaillé avec des membres de l'équipe d'innovation et de développement iRAP axée sur la recherche d'une solution pour la collecte et le codage accélérés et intelligents des données d'attributs routiers (AiRAP) afin de prévenir les accidents de la route et de sauver des vies.
Découvrez ces méthodes Python pertinentes et bien appliquées :
” Utiliser des réseaux neuronaux convolutifs pour améliorer la sécurité routière et sauver des vies » par Lois Anne Leal et Chaitree Baradkar – https://bit.ly/3gK8men
“ Analyse des caractéristiques et apprentissage automatique pour la sécurité routière ” par Léon Hamnett
https://bit.ly/3gJGuqt
“ Détection d'objets dans des images 2D pour localiser les voitures et les piétons ” par Giulio Giaconi et Dave Bunten
https://bit.ly/3vce0cV
“ Analyse exploratoire avancée des données de sécurité routière du Royaume-Uni à l'aide de Python ” par Nabanita Roy
https://bit.ly/3dY8l4v
“ Streamlit 101 : Déploiement d’un tableau de bord Streamlit AutoML pour prédire et afficher les résultats ” par MUHAMMAD ALI
https://bit.ly/3vov9QP
“ Apprendre OpenCV à partir de zéro pour construire un détecteur de piétons ” par Rutuja Kawade
https://bit.ly/2PsvPoS
iRAP adresse ses sincères remerciements à l'équipe d'Omdena. Les résultats obtenus permettront de réaliser des progrès considérables pour #3starorbetter, contribuant ainsi à sauver des vies et à améliorer les routes pour tous les usagers.