mio盲點偵測說明書的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用Xception與YOLO於紅外線熱像儀之盲點偵測

為了解決mio盲點偵測說明書的問題，作者羅士軒 這樣論述：

本論文應用卷積神經網路影像辨識方法，整合紅外線熱像儀在昏暗的環境下進行拍攝，並與一般攝像機所拍攝的畫面進行對比。希望能夠透過紅外線熱像儀的熱感應功能提升對環境的辨識與理解，更加容易發現其他道路使用者的位置。本論文採用處理速度較快的Xception及YOLOv4卷積神經網路進行辨識與訓練，並從他們的準確性及效率進行分析與對比。選擇Xception及YOLOv4作為本研究的目的是它能清楚地即時反應路況讓司機做出相對的反應。從這項實驗中可以發現紅外線熱像儀比一般攝像頭更加容易在視線不良的條件下拍攝到其他道路使用者的位置。在資料集相同的條件下發現YOLOv4的訓練過程比Xception快一小時，而且

YOLOv4的準確率也比Xception高出5%。選擇使用Xception的原因是他在2014年ImageNet的競賽中奪得了冠軍，運算速度很快。而選擇使用YOLOv4的原因是當YOLOv4與EfficientDet的性能相當的情況下，他的推理速度比其他的還要快兩倍。而相比的YOLOV3的AP和FPS分別提高了10%和12%的差距。本研究最大的貢獻就是當在低照度的環境下，使用的程式與兩個模組的輔助下，依然能清楚的觀察到盲點區裡的物件。