We chose HRNet32 as the backbone ne

We chose HRNet32 as the backbone network to perform the task of wildlife objectdetection in the manner of Cascade R-CNN [36,44]. HRNet achieves the purpose of strongsemantic information and precise location information through parallel branches of multipleresolutions and continuous information interaction between different branches [44].Overall, Cascade R-CNN has four stages, one Region Proposal Network (RPN) and threefor detection with IoU = {0.5, 0.6, 0.7}. Sampling in the first detection stage follows FasterR-CNN [45]. In the next stage, resampling is achieved by simply using the regressionoutput from the previous stage. The model structure is shown in Figure 4

ผลลัพธ์ (ไทย) 1:

เราเลือก HRNet32 เป็นเครือข่ายหลักเพื่อดำเนินการตรวจจับวัตถุสัตว์ป่าในลักษณะของ Cascade R-CNN [36,44] HRNet บรรลุวัตถุประสงค์ของข้อมูลความหมายที่แข็งแกร่งและข้อมูลตำแหน่งที่แม่นยำผ่านสาขาคู่ขนานที่มีความละเอียดหลายระดับและการโต้ตอบข้อมูลอย่างต่อเนื่องระหว่างสาขาต่างๆ [44] โดยรวมแล้ว Cascade R-CNN มีสี่ขั้นตอน หนึ่ง Region Proposal Network (RPN) และสามขั้นตอนสำหรับการตรวจจับด้วย IoU = {0.5, 0.6, 0.7} การสุ่มตัวอย่างในขั้นตอนการตรวจจับแรกจะเป็นไปตามR-CNN ที่เร็วขึ้น [45] ในขั้นตอนต่อไป การสุ่มตัวอย่างใหม่ทำได้โดยใช้เอาต์พุตการถดถอยจากขั้นตอนก่อนหน้า โครงสร้างแบบจำลองแสดงในรูปที่ 4

ผลลัพธ์ (ไทย) 2:

เราเลือก HRNet32 เป็นเครือข่ายกระดูกสันหลังสำหรับภารกิจของวัตถุสัตว์ป่า
ตรวจสอบในลักษณะ Cascade R-CNN [36, 44] HRNet เพื่อความแข็งแกร่ง
ข้อมูลความหมายและข้อมูลตำแหน่งที่แม่นยำผ่านหลายสาขาคู่ขนาน
ความละเอียดและปฏิสัมพันธ์ข้อมูลต่อเนื่องระหว่างสาขาต่างๆ [44]
โดยรวมแล้ว Cascade R-CNN มีสี่เวที เครือข่ายข้อเสนอระดับภูมิภาค (RPN) และสาม
สำหรับการตรวจจับ IoU = {0.5, 0.6, 0.7} การสุ่มตัวอย่างในขั้นตอนการตรวจจับครั้งแรกเป็นไปตามที่เร็วขึ้น
R-CNN[45]。 ในขั้นตอนต่อไปเพียงแค่ใช้การถดถอยเพื่อให้บรรลุการสุ่มตัวอย่างใหม่
ผลผลิตในระยะก่อนหน้านี้ โครงสร้างแบบ แสดงในรูปที่ 4

ผลลัพธ์ (ไทย) 3:

เราเลือก hrnet32 เป็นเครือข่ายหลัก ในการดําเนินงานของวัตถุสัตว์ป่า
ตรวจสอบด้วยcascade r-CNN [ 36,44 ] hrnetบรรลุเป้าหมายที่ทรงพลัง
ข้อมูลความหมายและข้อมูลตําแหน่งที่ถูกต้อง
การโต้ตอบข้อมูลอย่างต่อเนื่องระหว่างความละเอียดและสาขาต่างๆ[ 44 ]
โดยรวมแล้วมีสี่ขั้นตอนสําหรับcascade r-CNNเครือข่ายข้อเสนอแนะภูมิภาค( RPN )และสาม
สําหรับการตรวจหา iou = {0.5,0.6,0.7}. การสุ่มตัวอย่างในขั้นตอนการทดสอบแรกจะเร็วขึ้น
r - cnn [45]. ในขั้นตอนถัดไปการสุ่มตัวอย่างใหม่จะทําได้โดยใช้การถดถอย
ผลลัพธ์ของเฟสก่อนหน้า โครงสร้างแบบจําลองแสดงในรูปที่4