Les collaborateurs sur le Défi Omdena iRAP de 8 semaines qui visaient à recourir au crowdsourcing pour trouver des solutions basées sur l'IA permettant de cartographier les risques d'accident et de générer des données sur les notes attribuées selon le système « iRAP », ont partagé certains des résultats de leurs publications.
Au début de cette année, 50 experts en IA et en apprentissage automatique, parmi lesquels des étudiants en formation, des data scientists, des ingénieurs en apprentissage automatique et en données, ainsi que des experts sectoriels du monde entier, ont collaboré avec les membres de l’équipe Innovation et Développement de iRAP afin de trouver une solution permettant la collecte et le codage accélérés et intelligents des données relatives aux caractéristiques routières (AiRAP), dans le but de prévenir les accidents de la route et de sauver des vies.
Lisez ces méthodes Python perspicaces et bien appliquées :
” L'utilisation 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 de caractéristiques et apprentissage automatique pour la sécurité routière ” par Léon Hamnett
https://bit.ly/3gJGuqt
“ Détection d'objets dans des images 2D pour localiser des voitures et des piétons ” par Giulio Giaconi et Dave Bunten
https://bit.ly/3vce0cV
“ Exploration approfondie des données de sécurité routière du Royaume-Uni à l'aide de Python ” par Nabanita Roy
https://bit.ly/3dY8l4v
“ Streamlit 101 : Déployer 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 tient à adresser ses sincères remerciements à l'équipe d'Omdena. Ces résultats permettront de franchir des étapes décisives vers la mise en place de routes de catégorie #3starorbetter pour tous les usagers de la route, ce qui permettra de sauver des vies.