A Study using Drone Control Patterns using Deep Learning of Investigation Data : Focusing on Disaster Scene and Search for Missing Persons

Chang Woo Park;  ; Chang Jo Lee

doi:10.31345/fisk.2020.11.4.7

A Study using Drone Control Patterns using Deep Learning of Investigation Data : Focusing on Disaster Scene and Search for Missing Persons

Magazine of Fire Investigation Socity of Korea ◽

10.31345/fisk.2020.11.4.7 ◽

2020 ◽

Vol 11 (4) ◽

pp. 101-112

Author(s):

Chang Woo Park ◽

◽

Chang Jo Lee

Keyword(s):

Deep Learning ◽

Missing Persons ◽

Control Patterns ◽

Drone Control

Download Full-text

Operation Skill Acquisition and Fuzzy-Rule Extraction for Drone Control Based on Visual Information Using Deep Learning

Journal of Advanced Computational Intelligence and Intelligent Informatics ◽

10.20965/jaciii.2020.p0386 ◽

2020 ◽

Vol 24 (3) ◽

pp. 386-395

Author(s):

Yoichiro Maeda ◽

Kotaro Sano ◽

Eric W. Cooper ◽

Katsuari Kamei ◽

◽

...

Keyword(s):

Neural Network ◽

Deep Learning ◽

Skill Acquisition ◽

Visual Information ◽

Autonomous Vehicles ◽

High Performance ◽

Fuzzy Rule ◽

Motor Vehicles ◽

Moving Vehicle ◽

Drone Control

In recent years, much research on the unmanned control of a moving vehicle has been conducted, and various robots and motor vehicles moving automatically are being used. However, the more complicated the environment is, the more difficult it is for the autonomous vehicles to move automatically. Even in such a challenging environment, however, an expert with the necessary operation skill can sometimes perform the appropriate control of the moving vehicle. In this research, a method for learning a human’s operation skill using a convolutional neural network (CNN) and setting visual information for input is proposed for learning more complicated environmental information. A CNN is a kind of deep-learning network, and it exhibits high performance in the field of image recognition. In this experiment, the operation knowledge was also visualized using a fuzzy neural network with obtained input-output maps to create fuzzy rules. To verify the effectiveness of this method, an experiment involving operation skill acquisition by some subjects using a drone control simulator was conducted.

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text