T
E
L
K
O
M
NIKA
T
elec
o
mm
un
ica
t
io
n Co
m
pu
t
i
ng
E
lect
ro
nics
a
nd
Co
ntr
o
l
Vo
l.
24
,
No
.
5
,
Octo
b
er
20
26
,
p
p
.
1
7
5
5
~
1
7
6
7
I
SS
N:
1
6
9
3
-
6
9
3
0
,
DOI
:
1
0
.
1
2
9
2
8
/
T
E
L
KOM
NI
K
A
.
v
24
i
5
.
27752
1755
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//telko
mn
ika
.
u
a
d
.
a
c.
i
d
Co
m
pa
ra
tive
dee
p learning
archi
te
ctures
for rail
w
a
y
t
ra
in
detec
tion usin
g
ac
celero
m
eter
H
er
i A
rdia
ns
y
a
h
1
,
De
n
ny
I
r
a
w
a
n
2
,
Dhio
Ra
m
a
dh
o
n
Sa
ripud
i
n
1
,
G
ila
ng
Se
ptia
n F
ir
ma
ns
y
a
h
1
,
Ro
h
m
a
t
i
n Ag
us
t
ina
3
1
D
e
p
a
r
t
me
n
t
o
f
C
o
m
p
u
t
e
r
En
g
i
n
e
e
r
i
n
g
,
F
a
c
u
l
t
y
o
f
S
c
i
e
n
c
e
,
T
e
c
h
n
o
l
o
g
y
,
a
n
d
E
d
u
c
a
t
i
o
n
,
U
n
i
v
e
r
si
t
a
s
M
u
h
a
mm
a
d
i
y
a
h
L
a
mo
n
g
a
n
,
L
a
m
o
n
g
a
n
,
I
n
d
o
n
e
si
a
2
D
e
p
a
r
t
me
n
t
o
f
El
e
c
t
r
i
c
a
l
En
g
i
n
e
e
r
i
n
g
,
F
a
c
u
l
t
y
o
f
En
g
i
n
e
e
r
i
n
g
,
U
n
i
v
e
r
si
t
a
s
M
u
h
a
mm
a
d
i
y
a
h
G
r
e
si
k
,
G
r
e
si
k
,
I
n
d
o
n
e
si
a
3
D
e
p
a
r
t
me
n
t
o
f
A
g
o
t
e
c
h
n
o
l
o
g
y
,
F
a
c
u
l
t
y
o
f
A
g
r
i
c
u
l
t
u
r
e
,
U
n
i
v
e
r
si
t
a
s
M
u
h
a
m
mad
i
y
a
h
G
r
e
si
k
,
G
r
e
si
k
,
I
n
d
o
n
e
si
a
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Dec
23
,
2025
R
ev
i
s
ed
J
u
n
27
,
2026
A
cc
ep
ted
A
u
g
28
,
2026
Ra
il
w
a
y
lev
e
l
c
ro
ss
in
g
a
c
c
id
e
n
ts
re
m
a
in
a
c
rit
ica
l
sa
f
e
t
y
c
o
n
c
e
rn
w
o
rld
w
id
e
,
n
e
c
e
ss
it
a
ti
n
g
re
li
a
b
le
train
d
e
tec
ti
o
n
sy
ste
m
s
p
a
rti
c
u
larl
y
a
t
u
n
g
u
a
rd
e
d
c
ro
ss
in
g
s.
T
h
is
stu
d
y
p
re
se
n
ts
c
o
m
p
a
ra
ti
v
e
e
v
a
lu
a
ti
o
n
s
f
ro
m
fo
u
r
d
e
e
p
lea
rn
in
g
(DL
)
a
rc
h
it
e
c
tu
re
s
c
o
n
v
o
lu
t
i
o
n
a
l
n
e
u
ra
l
n
e
tw
o
rk
(2
D
-
C
NN
),
lo
n
g
sh
o
rt
-
term
m
e
m
o
r
y
(
L
S
T
M
),
M
o
b
i
leN
e
tV
2
,
a
n
d
h
y
b
rid
CN
N
-
L
S
T
M
o
f
ra
il
w
a
y
tr
a
in
d
e
tec
ti
o
n
u
sin
g
tri
a
x
ial
a
c
c
e
l
e
ro
m
e
ter
se
n
so
r
d
a
ta.
V
i
b
ra
ti
o
n
sig
n
a
ls
a
c
q
u
ired
f
ro
m
p
iez
o
e
lec
tri
c
se
n
so
rs
m
o
u
n
ted
o
n
ra
il
w
a
y
in
f
ra
stru
c
tu
re
w
e
r
e
tran
s
f
o
rm
e
d
in
t
o
sp
e
c
tro
g
ra
m
re
p
re
s
e
n
tatio
n
s
a
n
d
c
las
si
f
ied
in
to
f
o
u
r
p
ro
x
im
it
y
c
a
t
e
g
o
ries
:
id
le,
f
a
r
-
d
istan
c
e
(>
4
0
0
m
),
n
e
a
r
-
d
istan
c
e
(2
0
0
-
4
0
0
m
),
a
n
d
trai
n
p
a
ss
in
g
(<
2
0
0
m
).
T
h
e
e
x
p
e
ri
m
e
n
tal
re
su
lt
s
d
e
m
o
n
st
ra
te
th
a
t
th
e
h
y
b
rid
CNN
-
L
S
T
M
a
rc
h
it
e
c
tu
re
a
c
h
iev
e
s
h
ig
h
e
st
c
las
si
f
ica
ti
o
n
p
e
rf
o
rm
a
n
c
e
w
it
h
9
8
.
2
%
a
c
c
u
ra
c
y
,
9
8
.
0
%
F
1
-
sc
o
re
,
a
n
d
c
o
n
v
e
rg
e
n
c
e
to
9
5
%
a
c
c
u
ra
c
y
w
it
h
in
6
8
train
i
n
g
e
p
o
c
h
s,
o
u
tp
e
rf
o
r
m
in
g
CNN
-
2
D
(9
6
.
9
%
),
M
o
b
il
e
Ne
tV2
(9
2
.
3
%
),
a
n
d
L
S
T
M
(8
9
.
5
%
).
T
h
e
h
y
b
rid
m
o
d
e
l
e
ff
e
c
ti
v
e
l
y
c
o
m
b
in
e
s
sp
a
ti
a
l
f
e
a
tu
re
e
x
trac
ti
o
n
th
r
o
u
g
h
c
o
n
v
o
lu
ti
o
n
a
l
la
y
e
rs
w
it
h
tem
p
o
ra
l
d
e
p
e
n
d
e
n
c
y
m
o
d
e
li
n
g
v
ia
re
c
u
rre
n
t
c
o
m
p
o
n
e
n
ts,
a
c
h
iev
in
g
sig
n
a
l
d
e
tec
ti
o
n
a
t
d
ist
a
n
c
e
s
e
x
c
e
e
d
in
g
4
0
0
m
e
ters
w
it
h
sig
n
a
l
-
to
-
n
o
ise
ra
ti
o
s
a
b
o
v
e
3
0
d
B.
T
h
e
s
e
f
in
d
in
g
s
p
ro
v
id
e
e
m
p
iri
c
a
l
e
v
i
d
e
n
c
e
f
o
r
o
p
ti
m
a
l
DL
m
o
d
e
l
se
lec
ti
o
n
in
a
c
c
e
lero
m
e
ter
-
b
a
se
d
ra
il
wa
y
sa
f
e
t
y
m
o
n
it
o
rin
g
sy
ste
m
s d
e
p
lo
y
e
d
o
n
r
e
so
u
rc
e
-
c
o
n
stra
in
e
d
e
d
g
e
d
e
v
ice
s.
K
ey
w
o
r
d
s
:
A
cc
eler
o
m
eter
C
NN
-
L
ST
M
h
y
b
r
id
Dee
p
lear
n
in
g
R
ail
w
a
y
tr
ain
d
etec
tio
n
Sp
ec
tr
o
g
r
a
m
clas
s
i
f
icatio
n
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
Her
i A
r
d
ian
s
y
a
h
Dep
ar
t
m
en
t o
f
C
o
m
p
u
ter
E
n
g
i
n
ee
r
in
g
,
Fac
u
lt
y
o
f
Scie
n
ce
,
T
ec
h
n
o
lo
g
y
,
an
d
E
d
u
ca
t
io
n
Un
i
v
er
s
ita
s
Mu
h
a
m
m
ad
i
y
a
h
L
a
m
o
n
g
an
P
lalan
g
a
n
St.
,
W
ah
y
u
,
P
lo
s
o
w
ah
y
u
,
L
a
m
o
n
g
a
n
Di
s
tr
ict,
L
a
m
o
n
g
an
R
e
g
en
c
y
,
E
ast J
av
a
6
2
2
1
8
,
I
n
d
o
n
esia
E
m
ail:
h
er
y
_
ar
d
y
a
n
s
y
ah
@
u
m
l
a.
ac
.
id
1.
I
NT
RO
D
UCT
I
O
N
R
ail
w
a
y
tr
an
s
p
o
r
tatio
n
s
y
s
te
m
s
ar
e
v
ita
l
f
o
r
p
u
b
lic
m
o
b
il
it
y
an
d
lo
g
i
s
tic
s
d
is
tr
ib
u
tio
n
w
o
r
ld
w
id
e.
Ho
w
e
v
er
,
s
af
et
y
at
lev
e
l
cr
o
s
s
i
n
g
s
r
e
m
ai
n
s
a
cr
itical
co
n
ce
r
n
,
as
co
llis
io
n
s
b
et
w
ee
n
t
r
ain
s
an
d
v
eh
icle
s
co
n
tin
u
e
to
o
cc
u
r
at
alar
m
i
n
g
r
ates
ac
r
o
s
s
b
o
th
d
ev
e
lo
p
ed
an
d
d
ev
elo
p
in
g
n
atio
n
s
.
Acc
o
r
d
in
g
to
Fed
er
al
R
ailr
o
ad
A
d
m
in
i
s
tr
atio
n
(
F
R
A
)
d
ata,
ap
p
r
o
x
i
m
atel
y
2
,
2
6
1
tr
ain
-
m
o
to
r
v
eh
icle
co
lli
s
i
o
n
s
o
cc
u
r
r
ed
in
th
e
Un
ited
State
s
in
2
0
2
4
,
w
ith
g
r
ad
e
-
cr
o
s
s
in
g
in
c
id
en
t
s
an
d
p
ed
estrian
tr
esp
ass
ac
co
u
n
ti
n
g
f
o
r
o
v
er
9
5
%
o
f
all
r
ailr
o
ad
f
atalities
[
1
]
.
T
h
e
E
u
r
o
p
ea
n
Un
io
n
A
g
e
n
c
y
f
o
r
R
a
il
w
a
y
s
r
ep
o
r
ted
2
2
4
d
ea
th
s
at
lev
el
cr
o
s
s
i
n
g
s
i
n
2
0
2
3
,
r
ep
r
esen
tin
g
2
6
.
6
%
o
f
to
tal
r
ail
w
a
y
f
atalit
ies
ac
r
o
s
s
m
e
m
b
er
s
tates
[
2
]
.
I
n
I
n
d
o
n
e
s
ia,
P
T
Ker
eta
A
p
i
I
n
d
o
n
esia
(
KA
I
)
d
o
cu
m
e
n
ted
5
3
5
c
o
llis
io
n
ca
s
es
th
r
o
u
g
h
o
u
t
2
0
2
4
,
p
r
ed
o
m
i
n
a
n
tl
y
at
u
n
g
u
ar
d
ed
cr
o
s
s
in
g
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
24
,
No
.
5
,
Octo
b
e
r
20
26
:
1
7
5
5
-
1767
1756
lack
i
n
g
ad
eq
u
ate
d
etec
tio
n
i
n
f
r
astru
ct
u
r
e
[
3
]
.
T
h
ese
s
tatis
tic
s
h
i
g
h
l
ig
h
t
t
h
e
u
r
g
e
n
t
n
ee
d
f
o
r
r
eliab
le
an
d
co
s
t
-
ef
f
ec
tiv
e
tr
ai
n
d
etec
tio
n
s
y
s
te
m
s
,
p
ar
ticu
lar
l
y
at
p
ass
iv
e
cr
o
s
s
i
n
g
s
w
it
h
o
u
t a
u
to
m
a
t
ed
w
ar
n
in
g
m
ec
h
a
n
i
s
m
s
.
Dee
p
lear
n
in
g
(
D
L
)
ad
v
an
ce
s
h
av
e
d
r
iv
e
n
s
ig
n
i
f
ica
n
t
in
n
o
v
atio
n
s
in
tr
ain
ar
r
iv
al
d
etec
tio
n
s
y
s
te
m
s
.
co
n
v
o
lu
tio
n
al
n
e
u
r
al
n
et
w
o
r
k
(
C
NN
)
ar
ch
itectu
r
e
s
e
x
ce
l
at
ex
tr
ac
ti
n
g
s
p
atial
f
ea
t
u
r
es
f
r
o
m
ti
m
e
-
f
r
eq
u
e
n
c
y
r
ep
r
esen
tatio
n
s
o
f
s
en
s
o
r
s
ig
n
als,
ac
h
ie
v
i
n
g
h
i
g
h
clas
s
i
f
i
ca
tio
n
ac
cu
r
ac
y
i
n
v
ib
r
atio
n
-
b
ased
m
o
n
ito
r
in
g
ap
p
licatio
n
s
[
4
]
,
[
5
]
.
L
o
n
g
s
h
o
r
t
-
ter
m
m
e
m
o
r
y
(
L
ST
M)
n
et
w
o
r
k
s
,
a
v
ar
ia
n
t
o
f
r
ec
u
r
r
e
n
t
n
e
u
r
al
n
e
t
w
o
r
k
s
(
R
NN)
,
ef
f
ec
ti
v
el
y
ca
p
tu
r
e
t
e
m
p
o
r
al
d
ep
en
d
en
cies
f
r
o
m
s
eq
u
e
n
tial
d
ata,
m
a
k
in
g
th
e
m
w
el
l
-
s
u
ited
f
o
r
p
r
o
ce
s
s
in
g
co
n
ti
n
u
o
u
s
v
ib
r
atio
n
s
i
g
n
als
w
it
h
d
y
n
a
m
ic
te
m
p
o
r
al
p
atter
n
s
[
6
]
.
h
y
b
r
id
C
NN
-
L
ST
M
m
o
d
els
co
m
b
i
n
e
th
e
s
tr
e
n
g
th
s
o
f
b
o
th
ap
p
r
o
ac
h
es
th
r
o
u
g
h
s
p
atio
te
m
p
o
r
al
f
ea
t
u
r
e
lear
n
i
n
g
,
w
h
er
e
C
NN
co
m
p
o
n
e
n
t
s
ex
tr
ac
t
lo
ca
l
s
p
ec
tr
al
p
atter
n
s
w
h
ile
L
ST
M
co
m
p
o
n
e
n
ts
m
o
d
el
th
eir
te
m
p
o
r
al
ev
o
l
u
tio
n
[
7
]
.
A
d
d
itio
n
all
y
,
lig
h
t
w
ei
g
h
t
ar
ch
itect
u
r
es
s
u
c
h
as
Mo
b
ileNetV2
h
av
e
b
ee
n
s
p
ec
if
ical
l
y
d
esi
g
n
ed
f
o
r
r
eso
u
r
ce
-
co
n
s
tr
ai
n
ed
ed
g
e
d
ev
ices,
e
m
p
lo
y
i
n
g
d
ep
th
w
is
e
s
ep
ar
ab
le
co
n
v
o
lu
ti
o
n
s
to
r
ed
u
ce
co
m
p
u
tatio
n
a
l
co
m
p
lex
it
y
w
h
ile
m
ai
n
tai
n
in
g
co
m
p
etiti
v
e
ac
cu
r
ac
y
[
8
]
.
T
h
ese
in
n
o
v
atio
n
s
co
llectiv
el
y
p
r
o
v
id
e
a
r
o
b
u
s
t
f
o
u
n
d
atio
n
f
o
r
in
telli
g
e
n
t tr
ain
d
etec
tio
n
s
y
s
t
e
m
s
o
p
er
atin
g
o
n
e
m
b
ed
d
ed
p
latf
o
r
m
s
w
it
h
li
m
ited
p
r
o
ce
s
s
in
g
p
o
w
er
.
P
r
ev
io
u
s
s
tu
d
ie
s
h
av
e
d
e
m
o
n
s
tr
ated
th
at
tr
ain
-
i
n
d
u
ce
d
g
r
o
u
n
d
v
ib
r
atio
n
s
ca
n
b
e
d
etec
ted
at
d
is
tan
ce
s
ex
ce
ed
in
g
4
0
0
m
eter
s
,
w
it
h
ch
ar
ac
ter
is
tic
f
r
eq
u
e
n
c
y
co
m
p
o
n
en
ts
co
n
ce
n
tr
ated
w
it
h
in
th
e
1
0
-
8
0
Hz
r
a
n
g
e
co
r
r
esp
o
n
d
in
g
to
w
h
ee
l
-
r
ail
i
n
ter
ac
tio
n
d
y
n
a
m
ics
[
9
]
.
R
ec
en
t
w
o
r
k
h
a
s
also
d
e
m
o
n
s
tr
at
ed
th
e
f
ea
s
ib
il
it
y
o
f
p
r
ed
ictin
g
ap
p
r
o
ac
h
in
g
tr
ai
n
s
f
r
o
m
tr
ac
k
v
ib
r
atio
n
s
ig
n
al
s
an
d
id
en
ti
f
y
i
n
g
tr
ain
t
y
p
es
f
r
o
m
ac
ce
ler
o
m
eter
m
ea
s
u
r
e
m
e
n
t
s
at
r
ail
w
a
y
s
w
it
ch
es
a
n
d
cr
o
s
s
i
n
g
s
[
1
0
]
,
[
1
1
]
.
T
h
e
tr
an
s
f
o
r
m
atio
n
o
f
r
a
w
ac
ce
ler
o
m
e
ter
s
i
g
n
al
s
in
to
s
p
ec
tr
o
g
r
a
m
r
ep
r
esen
tat
io
n
s
e
n
ab
les
t
h
e
ap
p
licatio
n
o
f
i
m
ag
e
-
b
ased
D
L
cla
s
s
i
f
icatio
n
,
f
ac
ilit
ati
n
g
ex
tr
ac
tio
n
o
f
d
is
cr
i
m
i
n
ati
v
e
f
ea
t
u
r
es
t
h
at
d
is
tin
g
u
is
h
b
et
w
ee
n
d
i
f
f
er
e
n
t
tr
ai
n
p
r
o
x
i
m
i
t
y
co
n
d
i
tio
n
s
[1
2
]
.
R
ec
en
t
v
ib
r
atio
n
-
m
o
n
ito
r
i
n
g
s
tu
d
ies
f
u
r
t
h
er
co
n
f
ir
m
th
e
e
f
f
ec
tiv
e
n
ess
o
f
ti
m
e
-
f
r
eq
u
e
n
c
y
r
ep
r
esen
tatio
n
s
a
n
d
C
NN
-
b
ased
m
o
d
els
f
o
r
v
ib
r
atio
n
class
i
f
icatio
n
,
in
cl
u
d
i
n
g
r
ai
l
w
a
y
an
d
tr
ai
n
-
r
elate
d
ap
p
licatio
n
s
[
1
3
]
,
[
1
4
]
.
I
n
ad
d
itio
n
,
m
ac
h
i
n
e
-
lear
n
i
n
g
ap
p
r
o
ac
h
es
h
av
e
b
ee
n
ap
p
lied
to
r
ail
w
a
y
tr
ac
k
m
o
n
ito
r
in
g
an
d
v
ib
r
atio
n
-
b
ased
r
ail
w
a
y
e
v
e
n
t
class
if
ica
tio
n
,
d
e
m
o
n
s
tr
atin
g
th
e
g
r
o
w
i
n
g
r
elev
an
ce
o
f
d
ata
-
d
r
i
v
en
m
eth
o
d
s
f
o
r
r
ailw
a
y
s
a
f
et
y
m
o
n
ito
r
i
n
g
[
1
5
]
-
[
1
7
]
.
Desp
ite
th
ese
ad
v
a
n
ce
s
,
ex
i
s
ti
n
g
r
esear
ch
h
a
s
p
r
ed
o
m
in
a
n
tl
y
f
o
cu
s
ed
o
n
s
i
n
g
le
-
ar
ch
itect
u
r
e
i
m
p
le
m
e
n
tat
io
n
s
,
w
it
h
li
m
ited
s
y
s
te
m
atic
co
m
p
ar
is
o
n
o
f
m
u
ltip
le
DL
m
o
d
els
u
n
d
er
id
en
tical
ex
p
er
i
m
e
n
tal
co
n
d
itio
n
s
.
T
h
is
s
tu
d
y
ad
d
r
ess
e
s
t
h
e
af
o
r
em
e
n
tio
n
ed
r
esear
ch
g
ap
t
h
r
o
u
g
h
a
co
m
p
r
eh
e
n
s
iv
e
co
m
p
ar
at
iv
e
ev
alu
a
tio
n
o
f
f
o
u
r
D
L
ar
ch
it
ec
tu
r
es
C
NN
-
2
D,
L
ST
M,
Mo
b
ileNetV2
,
an
d
h
y
b
r
id
C
NN
-
L
ST
M
f
o
r
r
ail
w
a
y
tr
ain
d
etec
tio
n
u
s
in
g
p
iezo
el
ec
tr
ic
ac
ce
ler
o
m
eter
s
e
n
s
o
r
d
ata.
T
h
e
p
r
im
ar
y
o
b
j
ec
tiv
es
ar
e
th
r
ee
f
o
ld
:
f
ir
s
t,
ev
alu
a
tin
g
cla
s
s
i
f
icatio
n
p
er
f
o
r
m
an
ce
ac
r
o
s
s
f
o
u
r
p
r
o
x
i
m
it
y
class
es
(
n
o
t
r
ain
,
f
ar
>
400
m
,
n
ea
r
2
0
0
-
400
m
,
an
d
p
ass
i
n
g
<
200
m
)
;
s
ec
o
n
d
,
id
en
tify
i
n
g
t
h
e
o
p
ti
m
al
al
g
o
r
ith
m
b
ala
n
ci
n
g
ac
cu
r
ac
y
,
i
n
f
er
en
ce
s
p
ee
d
,
an
d
co
m
p
u
tatio
n
al
e
f
f
ic
ien
c
y
f
o
r
r
ea
l
-
ti
m
e
i
m
p
le
m
e
n
tat
io
n
;
a
n
d
th
ir
d
,
an
al
y
z
in
g
d
ep
lo
y
m
en
t
ch
alle
n
g
e
s
u
n
d
er
r
ea
l
-
w
o
r
ld
e
n
v
ir
o
n
m
en
tal
co
n
d
itio
n
s
w
it
h
n
o
is
e
a
n
d
d
y
n
a
m
ic
i
n
ter
f
er
en
ce
.
T
h
is
r
e
s
e
ar
ch
co
n
tr
ib
u
tes
to
s
u
s
tai
n
ab
le
d
ev
elo
p
m
e
n
t
g
o
al
s
9
(
in
d
u
s
tr
y
,
in
n
o
v
atio
n
,
an
d
i
n
f
r
astru
c
tu
r
e)
an
d
1
1
(
s
u
s
tain
ab
le
cities
an
d
co
m
m
u
n
itie
s
)
b
y
ad
v
an
ci
n
g
s
m
ar
t
tr
an
s
p
o
r
tatio
n
in
f
r
astru
c
t
u
r
e.
T
h
e
n
o
v
elt
y
lie
s
in
t
h
e
s
y
s
te
m
a
tic
in
te
g
r
atio
n
o
f
ac
ce
ler
o
m
eter
-
b
a
s
ed
v
ib
r
at
io
n
s
e
n
s
i
n
g
w
it
h
m
u
l
tip
le
D
L
ar
ch
itect
u
r
es,
p
r
o
v
id
in
g
e
m
p
ir
ical
ev
id
en
c
e
f
o
r
o
p
tim
a
l
m
o
d
el
s
elec
tio
n
in
r
es
o
u
r
ce
-
co
n
s
tr
ain
ed
r
ail
w
a
y
s
a
f
e
t
y
ap
p
licatio
n
s
.
2.
M
E
T
H
O
D
T
h
e
r
esear
ch
m
et
h
o
d
o
lo
g
y
was
s
y
s
te
m
a
ticall
y
d
es
ig
n
ed
to
en
s
u
r
e
th
e
v
alid
it
y
an
d
r
eliab
ilit
y
o
f
th
e
r
esu
lt
s
i
n
d
ev
elo
p
i
n
g
a
d
ee
p
-
l
ea
r
n
in
g
-
b
ased
tr
ain
-
ar
r
iv
a
l
cla
s
s
i
f
icatio
n
s
y
s
te
m
u
s
i
n
g
v
ib
r
a
tio
n
d
ata.
Fi
g
u
r
e
1
illu
s
tr
ates
th
e
co
m
p
le
te
r
esear
ch
w
o
r
k
f
lo
w
,
w
h
ich
en
c
o
m
p
a
s
s
es
f
o
u
r
m
ai
n
s
ta
g
es
:
d
ata
ac
q
u
is
itio
n
,
p
r
ep
r
o
ce
s
s
in
g
,
m
o
d
el
p
r
o
ce
s
s
in
g
w
it
h
co
m
p
ar
ati
v
e
a
n
al
y
s
i
s
o
f
f
o
u
r
n
eu
r
al
n
et
w
o
r
k
ar
ch
itect
u
r
es,
an
d
co
m
p
r
e
h
en
s
iv
e
p
er
f
o
r
m
a
n
ce
ev
alu
a
tio
n
.
T
h
is
m
et
h
o
d
o
lo
g
y
f
o
llo
w
s
e
s
tab
lis
h
ed
p
r
ac
tices
in
v
ib
r
atio
n
-
b
ased
r
ail
w
a
y
m
o
n
ito
r
in
g
s
y
s
te
m
s
as
d
o
cu
m
en
ted
i
n
r
ec
en
t liter
at
u
r
e
[
2
]
.
2
.
1
.
Da
t
a
a
cquis
it
io
n
T
h
e
v
ib
r
atio
n
d
ata
ac
q
u
is
itio
n
p
r
o
ce
s
s
b
eg
in
s
th
e
f
o
u
n
d
atio
n
al
s
ta
g
e
o
f
th
is
r
esear
ch
,
e
m
p
lo
y
i
n
g
a
p
iezo
elec
tr
ic
tr
iax
ial
ac
ce
ler
o
m
eter
s
e
n
s
o
r
m
o
u
n
ted
o
n
t
h
e
r
ail
w
a
y
in
f
r
astr
u
ct
u
r
e.
T
h
e
p
iezo
elec
tr
ic
s
en
s
o
r
o
f
f
er
s
m
ea
s
u
r
e
m
e
n
t
ca
p
ab
ilit
i
es
o
f
±
1
6
g
,
p
r
o
v
id
in
g
s
u
f
f
ic
ien
t
d
y
n
a
m
ic
r
a
n
g
e
f
o
r
ca
p
tu
r
in
g
b
o
t
h
a
m
b
ie
n
t
n
o
is
e
an
d
h
i
g
h
-
a
m
p
li
tu
d
e
tr
ai
n
-
in
d
u
ce
d
v
ib
r
atio
n
s
[
3
]
.
T
h
e
s
en
s
o
r
w
as
s
tr
ate
g
icall
y
p
o
s
itio
n
ed
o
n
th
e
r
ail
w
eb
,
w
it
h
its
v
er
tical
ax
i
s
ali
g
n
ed
w
it
h
t
h
e
g
r
av
itatio
n
al
d
ir
ec
tio
n
,
o
p
ti
m
izi
n
g
s
e
n
s
iti
v
it
y
to
r
ail
d
ef
lectio
n
p
atter
n
s
in
d
u
ce
d
b
y
ap
p
r
o
ac
h
in
g
tr
ai
n
s
.
Data
co
llectio
n
w
a
s
co
n
d
u
c
ted
at
m
u
ltip
le
r
ail
w
a
y
cr
o
s
s
i
n
g
lo
ca
tio
n
s
alo
n
g
th
e
Su
r
ab
a
y
a
-
B
o
j
o
n
eg
o
r
o
co
m
m
u
ter
lin
e
i
n
I
n
d
o
n
esia.
T
h
e
ac
q
u
is
itio
n
s
y
s
te
m
s
a
m
p
les
v
ib
r
atio
n
s
ig
n
al
s
at
1
0
0
0
Hz
(
=
1
0
0
0
s
am
p
les/
s
ec
o
n
d
)
,
en
s
u
r
in
g
ad
eq
u
ate
f
r
eq
u
e
n
c
y
r
es
o
lu
tio
n
f
o
r
ca
p
tu
r
in
g
tr
ain
-
i
n
d
u
ce
d
v
ib
r
atio
n
s
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
C
o
mp
a
r
a
tive
d
ee
p
lea
r
n
in
g
a
r
ch
itectu
r
es fo
r
r
a
il
w
a
y
tr
a
in
d
etec
tio
n
u
s
in
g
…
(
Heri A
r
d
ia
n
s
ya
h
)
1757
t
y
p
icall
y
o
cc
u
r
r
i
n
g
w
it
h
in
th
e
5
-
2
0
0
Hz
r
an
g
e
[
4
]
.
R
a
w
ac
c
eler
atio
n
d
ata
f
r
o
m
t
h
r
ee
o
r
th
o
g
o
n
al
a
x
es
(
X,
Y,
Z
)
w
er
e
tr
an
s
m
it
ted
v
ia
s
er
ial
co
m
m
u
n
icatio
n
at
1
1
5
,
2
0
0
b
p
s
b
au
d
r
ate
to
a
R
asp
b
er
r
y
Pi
4
m
icr
o
co
n
tr
o
ller
s
er
v
i
n
g
a
s
th
e
ed
g
e
co
m
p
u
ti
n
g
p
latf
o
r
m
.
T
h
e
ac
q
u
is
itio
n
p
r
o
to
co
l
ca
p
t
u
r
ed
co
n
tin
u
o
u
s
r
ec
o
r
d
in
g
s
s
eg
m
e
n
ted
i
n
to
2
-
s
ec
o
n
d
w
i
n
d
o
w
s
w
it
h
5
0
%
o
v
er
lap
,
g
en
er
atin
g
2
0
0
0
s
a
m
p
les
p
er
s
eg
m
e
n
t
ac
r
o
s
s
th
r
ee
ch
a
n
n
els
[
5
]
.
T
h
e
d
at
aset
co
m
p
r
is
es
f
o
u
r
d
is
tin
ct
clas
s
i
f
icatio
n
ca
teg
o
r
ies
b
ased
o
n
tr
ain
p
r
o
x
i
m
it
y
:
(
i
)
n
o
tr
ain
-
id
le
s
tate
w
ith
e
n
v
ir
o
n
m
en
tal
n
o
is
e
o
n
l
y
(
r
o
o
t
-
m
ea
n
-
s
q
u
ar
e
(
R
M
S)
<
0
.
0
5
g
)
,
(
ii
)
f
ar
-
tr
ain
d
etec
ted
at
d
is
tan
ce
>
4
0
0
m
(
R
MS
0
.
1
-
0
.
2
g
)
,
(
iii
)
n
ear
-
tr
ai
n
ap
p
r
o
ac
h
in
g
with
i
n
2
0
0
-
400
m
(
R
M
S
0
.
3
-
0
.
6
g
)
,
an
d
(
iv
)
p
ass
in
g
-
tr
ain
w
it
h
i
n
<
2
0
0
m
o
f
cr
o
s
s
in
g
(
R
M
S
>
0
.
8
g
)
.
A
to
t
al
o
f
1
0
,
0
0
0
lab
elled
s
am
p
les
w
er
e
co
llected
w
it
h
b
alan
ce
d
d
is
tr
ib
u
tio
n
ac
r
o
s
s
all
f
o
u
r
class
es
(
2
,
5
0
0
s
a
m
p
les
p
er
class
)
.
T
h
e
d
ataset
w
a
s
p
ar
titi
o
n
ed
u
s
in
g
s
tr
ati
f
ied
s
a
m
p
li
n
g
:
8
0
%
f
o
r
tr
ain
i
n
g
(
8
,
0
0
0
s
am
p
le
s
)
,
1
0
% f
o
r
v
alid
atio
n
(
1
,
0
0
0
s
am
p
le
s
)
,
an
d
1
0
% f
o
r
test
in
g
(
1
,
0
0
0
s
a
m
p
les).
Fig
u
r
e
1
.
S
y
s
te
m
f
lo
w
ch
ar
t d
e
ep
lear
n
in
g
-
b
ased
r
ail
w
a
y
tr
ai
n
d
etec
tio
n
: c
o
m
p
ar
is
o
n
o
f
C
NN,
R
NN
(
L
ST
M)
,
m
o
b
ile
n
et
a
n
d
h
y
b
r
id
C
NN
-
L
ST
M
m
o
d
els
2
.
2
.
P
re
pro
ce
s
s
ing
T
h
e
s
p
ec
tr
o
g
r
am
i
m
a
g
es
u
n
d
er
g
o
i
m
a
g
e
p
r
ep
r
o
ce
s
s
in
g
to
en
h
a
n
ce
d
ata
q
u
ali
t
y
a
n
d
co
n
s
is
ten
c
y
,
in
cl
u
d
in
g
s
ca
le
n
o
r
m
a
lizatio
n
,
n
o
is
e
cr
o
p
p
in
g
,
an
d
r
eso
lu
tio
n
ad
j
u
s
t
m
e
n
t.
I
n
itial
p
r
ep
r
o
ce
s
s
i
n
g
ap
p
lies
a
4
th
-
o
r
d
er
B
u
tter
w
o
r
t
h
b
an
d
p
ass
f
i
lter
w
ith
c
u
to
f
f
f
r
eq
u
e
n
c
ie
s
o
f
5
-
2
0
0
Hz
to
eli
m
i
n
ate
d
ir
ec
t
cu
r
r
en
t
(
DC
)
o
f
f
s
e
t
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
24
,
No
.
5
,
Octo
b
e
r
20
26
:
1
7
5
5
-
1767
1758
d
r
if
t
an
d
h
ig
h
-
f
r
eq
u
en
c
y
n
o
is
e
b
ey
o
n
d
th
e
r
ele
v
a
n
t
v
ib
r
atio
n
s
p
ec
tr
u
m
[
7
]
.
T
h
is
f
il
ter
in
g
s
tr
ate
g
y
p
r
eser
v
e
s
th
e
f
u
n
d
a
m
e
n
tal
tr
ai
n
v
ib
r
atio
n
s
i
g
n
a
tu
r
es
w
h
ile
at
ten
u
ati
n
g
s
en
s
o
r
n
o
is
e
an
d
en
v
ir
o
n
m
e
n
t
al
in
ter
f
er
e
n
ce
.
Sig
n
al
n
o
r
m
a
lizatio
n
e
m
p
lo
y
s
Z
-
s
co
r
e
s
tan
d
ar
d
izatio
n
to
en
s
u
r
e
ze
r
o
m
ea
n
an
d
u
n
i
t
v
ar
ia
n
ce
ac
r
o
s
s
all
in
p
u
t
c
h
an
n
el
s
,
f
ac
ili
tati
n
g
s
tab
le
g
r
ad
ien
t
p
r
o
p
ag
atio
n
d
u
r
in
g
n
e
u
r
al
n
et
w
o
r
k
tr
ain
i
n
g
.
T
h
e
n
o
r
m
aliza
t
io
n
tr
an
s
f
o
r
m
is
e
x
p
r
ess
ed
as:
=
(
−
)
(
1
)
w
h
er
e
r
ep
r
esen
ts
th
e
r
a
w
s
ig
n
al,
d
en
o
tes
th
e
m
ea
n
,
an
d
r
ep
r
esen
ts
th
e
s
ta
n
d
ar
d
d
ev
iatio
n
co
m
p
u
ted
ac
r
o
s
s
th
e
tr
ain
in
g
d
ataset.
T
h
e
co
r
e
tr
an
s
f
o
r
m
at
io
n
co
n
v
er
t
s
ti
m
e
-
d
o
m
a
in
v
ib
r
atio
n
s
i
g
n
al
s
in
to
t
w
o
-
d
i
m
e
n
s
i
o
n
al
ti
m
e
-
f
r
eq
u
en
c
y
r
ep
r
esen
tatio
n
s
u
s
i
n
g
s
h
o
r
t
-
ti
m
e
f
o
u
r
ier
tr
an
s
f
o
r
m
(
ST
FT
)
.
T
h
e
ST
F
T
p
r
o
v
id
es
lo
ca
lized
s
p
ec
tr
al
in
f
o
r
m
atio
n
es
s
en
t
ial
f
o
r
i
d
en
ti
f
y
in
g
tr
a
n
s
ie
n
t
v
ib
r
atio
n
p
atter
n
s
c
h
ar
ac
ter
is
t
ic
o
f
tr
ain
ap
p
r
o
ac
h
es.
T
h
e
tr
an
s
f
o
r
m
atio
n
is
m
at
h
e
m
at
ica
ll
y
d
ef
i
n
ed
as
[
8
]
:
(
,
)
=
∫
(
)
(
−
)
^
(
−
2
)
(
2
)
w
h
er
e
(
)
r
ep
r
esen
ts
t
h
e
i
n
p
u
t
s
i
g
n
al,
(
)
is
th
e
Ha
n
n
i
n
g
w
i
n
d
o
w
f
u
n
ct
io
n
,
d
en
o
tes
t
h
e
ti
m
e
s
h
i
f
t,
an
d
r
ep
r
esen
ts
f
r
eq
u
en
c
y
.
ST
F
T
p
ar
am
eter
s
w
er
e
co
n
f
ig
u
r
ed
w
it
h
2
5
6
-
p
o
in
t
f
ast
f
o
u
r
ier
tr
an
s
f
o
r
m
(
FFT
)
(
n
u
m
b
er
o
f
f
ast
f
o
u
r
ier
tr
an
s
f
o
r
m
(
NF
FT
)
=
2
5
6
)
,
2
0
0
-
s
a
m
p
le
o
v
er
lap
(
7
8
%
o
v
er
lap
r
atio
)
,
an
d
a
Han
n
i
n
g
w
i
n
d
o
w
,
g
e
n
er
ati
n
g
s
p
ec
tr
o
g
r
a
m
i
m
ag
e
s
o
f
d
im
e
n
s
io
n
1
2
8
×1
2
8
p
ix
els
w
ith
f
r
eq
u
en
c
y
r
e
s
o
lu
tio
n
o
f
ap
p
r
o
x
im
a
tel
y
3
.
9
Hz
an
d
te
m
p
o
r
al
r
eso
lu
tio
n
o
f
5
6
m
s
.
Data
is
t
h
e
n
s
y
s
te
m
atica
ll
y
p
a
r
titi
o
n
ed
in
to
t
w
o
m
a
in
s
u
b
s
et
s
:
tr
ai
n
in
g
-
v
a
lid
atio
n
d
ata
a
n
d
test
d
ata.
Data
au
g
m
en
tatio
n
s
tr
ate
g
ies
w
er
e
i
m
p
le
m
en
ted
to
en
h
a
n
c
e
m
o
d
el
g
en
er
aliza
t
io
n
a
n
d
m
iti
g
ate
o
v
er
f
i
tti
n
g
.
Au
g
m
e
n
tatio
n
tec
h
n
iq
u
es
in
cl
u
d
e:
(
i
)
ti
m
e
s
h
i
f
ti
n
g
(
±
1
0
%
o
f
w
i
n
d
o
w
d
u
r
atio
n
)
,
(
ii
)
Ga
u
s
s
ian
n
o
is
e
in
j
ec
tio
n
(
SNR
r
an
g
i
n
g
f
r
o
m
6
-
2
0
d
B
)
,
(
iii
)
f
r
eq
u
e
n
c
y
m
a
s
k
i
n
g
(
r
an
d
o
m
m
a
s
k
i
n
g
o
f
1
0
-
2
0
%
f
r
eq
u
en
c
y
b
an
d
s
)
,
an
d
(
iv
)
ti
m
e
m
as
k
i
n
g
(
r
an
d
o
m
m
ask
i
n
g
o
f
1
0
-
1
5
%
ti
m
e
f
r
a
m
e
s
)
[
1
8]
.
T
h
ese
tr
an
s
f
o
r
m
atio
n
s
p
r
eser
v
e
ess
e
n
tial
v
ib
r
atio
n
al
c
h
ar
ac
ter
is
tic
s
w
h
ile
in
tr
o
d
u
ci
n
g
co
n
tr
o
lled
v
ar
iab
ilit
y
t
h
at
i
m
p
r
o
v
es
m
o
d
el
r
o
b
u
s
tn
es
s
to
r
ea
l
-
w
o
r
ld
o
p
er
atin
g
co
n
d
itio
n
s
.
2
.
3
.
M
o
del c
o
nfig
ura
t
io
n
I
n
th
e
m
o
d
el
co
m
p
ar
is
o
n
s
ta
g
e
h
ig
h
li
g
h
ted
b
y
th
e
r
ed
o
u
tlin
e
in
th
e
d
iag
r
a
m
,
co
m
p
ar
ati
v
e
an
al
y
s
is
i
s
p
er
f
o
r
m
ed
u
s
i
n
g
f
o
u
r
d
if
f
er
e
n
t
d
ee
p
n
eu
r
al
n
et
w
o
r
k
ar
ch
itectu
r
es:
C
NN
-
2
D,
L
ST
M,
Mo
b
ileNetV2
,
an
d
h
y
b
r
id
C
NN
-
L
ST
M.
E
ac
h
m
o
d
el
is
tr
ain
ed
o
n
tr
ain
in
g
a
n
d
v
alid
atio
n
d
ata,
w
it
h
au
g
m
en
tatio
n
as
a
d
ata
au
g
m
e
n
tatio
n
s
tr
ate
g
y
to
en
r
ic
h
lear
n
i
n
g
an
d
m
iti
g
ate
o
v
er
f
i
t
ti
n
g
.
2
.
3
.
1
.
CNN
-
2D
C
NN
-
2
D
is
u
s
ed
f
o
r
its
s
tr
o
n
g
ab
ilit
y
to
r
ec
o
g
n
ize
s
p
ati
al
f
ea
t
u
r
es
in
s
p
ec
tr
o
g
r
a
m
s
.
T
h
e
b
asic
co
n
v
o
lu
tio
n
o
p
er
atio
n
in
C
NN
ca
n
b
e
f
o
r
m
u
lated
as
[
1
0
]
:
(
,
)
=
(
×
)
(
,
)
=
ₘ
ₙ
(
+
,
+
)
(
,
)
(
3
)
w
h
er
e
is
th
e
in
p
u
t
(
s
p
ec
tr
o
g
r
a
m
)
,
is
th
e
k
er
n
el
(
f
i
lter
)
,
an
d
(
,
)
is
t
h
e
co
n
v
o
lu
t
io
n
r
es
u
lt
at
p
o
s
itio
n
(
,
)
.
C
NN
al
s
o
e
m
p
lo
y
s
n
o
n
-
l
in
ea
r
ac
tiv
atio
n
f
u
n
ctio
n
s
,
s
u
c
h
as
r
ec
tifie
d
lin
ea
r
u
n
it
(
R
eL
U
)
(
(
)
=
(
0
,
)
)
,
an
d
p
o
o
lin
g
la
y
er
s
f
o
r
d
i
m
e
n
s
io
n
alit
y
r
ed
u
c
tio
n
.
T
h
e
i
m
p
le
m
en
ted
ar
ch
itect
u
r
e
co
m
p
r
i
s
e
s
t
h
r
ee
co
n
v
o
lu
tio
n
al
b
lo
ck
s
,
ea
ch
c
o
n
tain
i
n
g
C
o
n
v
2
D
la
y
er
(
3
2
,
6
4
,
1
2
8
f
ilter
s
)
,
b
atch
n
o
r
m
aliza
tio
n
,
R
e
L
U
ac
tiv
atio
n
,
an
d
2
×2
m
ax
p
o
o
lin
g
.
T
h
e
f
lat
ten
ed
f
ea
t
u
r
e
m
a
p
s
ar
e
p
r
o
ce
s
s
ed
b
y
f
u
l
l
y
co
n
n
ec
ted
la
y
er
s
(
1
2
8
u
n
i
ts
)
w
it
h
5
0
%
d
r
o
p
o
u
t
r
eg
u
lar
izatio
n
b
e
f
o
r
e
th
e
So
f
t
M
ax
o
u
tp
u
t
la
y
er
to
tal
tr
ain
ab
le
p
ar
am
eter
s
:
3
.
4
m
illi
o
n
.
2
.
3
.
2
.
L
ST
M
L
ST
M
is
test
ed
to
lev
er
ag
e
its
ad
v
an
ta
g
e
in
u
n
d
er
s
ta
n
d
i
n
g
te
m
p
o
r
al
d
y
n
a
m
ic
s
f
r
o
m
s
eq
u
e
n
tial
s
ig
n
al
s
r
ec
o
r
d
ed
in
v
ib
r
atio
n
s
[
1
2
]
.
L
ST
M
p
r
o
ce
s
s
es
d
at
a
s
eq
u
e
n
tiall
y
u
s
in
g
m
e
m
o
r
y
u
n
i
ts
th
at
r
etain
p
r
ev
io
u
s
in
f
o
r
m
at
io
n
.
Un
li
k
e
s
tan
d
ar
d
R
NN
u
n
it
s
,
L
ST
Ms
in
co
r
p
o
r
ate
g
atin
g
m
ec
h
an
is
m
s
t
h
at
r
eg
u
late
in
f
o
r
m
atio
n
f
lo
w
,
ad
d
r
ess
i
n
g
v
an
i
s
h
in
g
-
g
r
ad
ien
t
p
r
o
b
le
m
s
i
n
lo
n
g
-
s
eq
u
e
n
ce
lear
n
in
g
.
T
h
e
b
asic
f
o
r
m
u
latio
n
o
f
th
e
L
ST
M
u
n
it is
[1
2
]
:
ℎ
ₜ
=
(
ₓₕ
ₜ
+
ₕₕ
ℎ
ₜ
₋
₁
+
ₕ
)
(
4
)
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
C
o
mp
a
r
a
tive
d
ee
p
lea
r
n
in
g
a
r
ch
itectu
r
es fo
r
r
a
il
w
a
y
tr
a
in
d
etec
tio
n
u
s
in
g
…
(
Heri A
r
d
ia
n
s
ya
h
)
1759
ₜ
=
ₕ
ᵧ
ℎ
ₜ
+
ᵧ
(
5
)
w
h
er
e
ₜ
is
t
h
e
i
n
p
u
t
at
ti
m
e
;
ℎ
ₜ
is
th
e
h
id
d
en
s
tate;
is
th
e
ac
ti
v
a
tio
n
f
u
n
ctio
n
(
t
y
p
ical
l
y
tan
h
o
r
R
eL
U)
;
ₜ
is
th
e
o
u
tp
u
t;
an
d
ar
e
lear
n
ed
w
e
ig
h
t
s
an
d
b
iases
.
T
h
e
im
p
le
m
e
n
ted
ar
ch
itect
u
r
e
co
n
s
is
t
s
o
f
t
w
o
s
tac
k
ed
L
ST
M
la
y
er
s
(
6
4
an
d
3
2
u
n
its
,
r
esp
ec
tiv
el
y
)
,
w
ith
a
3
0
%
d
r
o
p
o
u
t
r
ate
b
et
w
ee
n
la
y
er
s
.
I
n
p
u
t
s
h
ap
e
is
co
n
f
i
g
u
r
ed
as (
2
0
0
,
3
)
,
r
e
p
r
esen
ti
n
g
2
0
0
ti
m
e
s
tep
s
ac
r
o
s
s
t
h
r
ee
ac
ce
ler
o
m
eter
a
x
es.
T
o
tal
tr
ain
ab
le
p
ar
a
m
eter
s
0
.
8
m
illi
o
n
.
2
.
3
.
3
.
M
o
bil
eNe
t
V2
Mo
b
ileNetV2
,
a
lig
h
t
w
e
ig
h
t
ar
ch
ite
ct
u
r
e,
is
in
cl
u
d
ed
to
ex
a
m
in
e
h
o
w
m
o
d
el
e
f
f
ic
ien
c
y
ca
n
b
e
m
ai
n
tai
n
ed
w
it
h
o
u
t
s
ac
r
if
ic
in
g
ac
cu
r
ac
y
,
m
ak
i
n
g
it
s
u
itab
l
e
f
o
r
ed
g
e
-
d
ev
ice
i
m
p
le
m
e
n
t
atio
n
.
I
ts
ad
v
an
ta
g
e
lies
in
d
ep
th
w
is
e
s
ep
ar
ab
le
co
n
v
o
l
u
tio
n
,
w
h
ich
s
ep
ar
ates
t
h
e
co
n
v
o
lu
tio
n
p
r
o
ce
s
s
in
to
t
w
o
s
t
ag
es:
d
ep
th
w
is
e
an
d
p
o
in
t
w
is
e.
T
h
e
o
p
er
atio
n
al
f
o
r
m
u
las ar
e
[1
9
]
:
−
Dep
th
w
is
e
co
n
v
o
l
u
tio
n
:
(
,
,
)
=
ₘ
ₙ
(
+
,
+
,
)
(
,
,
)
(
6
)
−
P
o
in
t
w
i
s
e
co
n
v
o
lu
tio
n
:
(
,
)
=
ₖ
(
,
,
)
(
)
(
7
)
w
h
er
e
is
th
e
i
n
p
u
t
w
i
th
s
p
ati
al
an
d
ch
a
n
n
e
l
d
i
m
e
n
s
io
n
s
,
is
th
e
d
ep
th
w
is
e
f
ilter
p
er
ch
a
n
n
el,
a
n
d
is
th
e
1
×1
(
p
o
in
t
w
i
s
e)
f
i
lter
f
o
r
in
ter
-
c
h
a
n
n
e
l
co
m
b
in
a
tio
n
.
Mo
b
ileNetV2
f
u
r
t
h
er
in
tr
o
d
u
ce
s
in
v
er
ted
r
esid
u
al
b
lo
ck
s
w
ith
l
in
ea
r
b
o
ttlen
ec
k
s
,
e
m
p
lo
y
in
g
e
x
p
an
s
io
n
-
p
r
o
j
ec
tio
n
ar
ch
itectu
r
e.
W
ith
th
is
ap
p
r
o
ac
h
,
Mo
b
ileNetV2
ca
n
s
ig
n
i
f
ica
n
tl
y
r
ed
u
ce
th
e
n
u
m
b
er
o
f
p
ar
am
eter
s
a
n
d
co
m
p
u
tatio
n
al
o
p
er
atio
n
s
co
m
p
ar
ed
t
o
co
n
v
e
n
tio
n
al
C
NN.
T
h
e
m
o
d
el
w
as
i
n
itia
lized
w
ith
I
m
ag
eNe
t
p
r
e
-
tr
ai
n
ed
w
e
ig
h
t
s
an
d
f
i
n
e
-
tu
n
ed
o
n
s
p
ec
tr
o
g
r
a
m
i
n
p
u
ts
(
2
2
4
×2
2
4
×3
)
to
tal
tr
ain
ab
le
p
ar
am
eter
s
:
2
.
3
m
illi
o
n
.
2
.
3
.
4
.
H
y
brid CNN
-
L
ST
M
a
rc
hite
ct
ure
T
h
e
n
o
v
el
o
f
h
y
b
r
id
C
NN
-
L
ST
M
a
r
ch
itectu
r
e
s
y
n
er
g
is
tic
all
y
co
m
b
in
e
s
s
p
atial
f
ea
t
u
r
e
ex
tr
ac
tio
n
ca
p
ab
ilit
ies
o
f
co
n
v
o
lu
tio
n
al
n
et
w
o
r
k
s
w
i
th
te
m
p
o
r
al
s
eq
u
en
ce
m
o
d
ellin
g
o
f
r
ec
u
r
r
en
t
n
et
w
o
r
k
s
[
20
]
.
T
h
is
ar
ch
itect
u
r
e
ad
d
r
ess
es
t
h
e
c
o
m
p
le
m
e
n
tar
y
n
at
u
r
e
o
f
s
p
ec
tr
o
g
r
a
m
a
n
al
y
s
i
s
:
C
NN
c
o
m
p
o
n
en
t
s
e
x
tr
ac
t
f
r
eq
u
en
c
y
-
d
o
m
ai
n
p
atter
n
s
f
r
o
m
lo
ca
l
r
ec
ep
tiv
e
f
ield
s
,
wh
ile
L
ST
M
co
m
p
o
n
e
n
t
s
ca
p
tu
r
e
t
h
e
te
m
p
o
r
al
ev
o
lu
tio
n
o
f
t
h
ese
p
atter
n
s
ac
r
o
s
s
th
e
ti
m
e
a
x
is
.
T
h
e
h
y
b
r
id
ar
ch
itectu
r
e
co
m
p
r
is
es:
(
i
)
t
w
o
C
o
n
v
2
D
la
y
er
s
(
3
2
an
d
6
4
f
ilter
s
,
3
×3
k
er
n
els)
w
it
h
R
eL
U
ac
ti
v
atio
n
a
n
d
m
ax
p
o
o
lin
g
f
o
r
h
ier
ar
c
h
ical
s
p
atial
f
ea
tu
r
e
ex
tr
ac
tio
n
,
(
i
i
)
r
esh
ap
e
la
y
er
tr
an
s
f
o
r
m
in
g
2
D
f
ea
tu
r
e
m
ap
s
i
n
to
s
eq
u
e
n
ti
al
f
o
r
m
at
(
9
0
0
×6
4
)
,
(
iii
)
L
STM
la
y
er
(
6
4
u
n
it
s
)
p
r
o
ce
s
s
in
g
th
e
C
NN
-
e
x
tr
ac
ted
f
ea
t
u
r
es
as
te
m
p
o
r
al
s
eq
u
en
ce
s
,
an
d
(
iv
)
d
en
s
e
la
y
er
s
(
1
2
8
u
n
its
)
w
i
th
So
f
tMa
x
o
u
tp
u
t
f
o
r
class
i
f
icatio
n
.
T
h
is
d
esig
n
en
ab
les
th
e
m
o
d
el
to
tr
ain
s
p
atio
te
m
p
o
r
al
r
ep
r
esen
tat
io
n
s
th
at
ca
p
tu
r
e
b
o
th
s
p
ec
tr
al
ch
ar
ac
ter
is
tics
an
d
th
eir
te
m
p
o
r
al
d
y
n
a
m
ic
s
,
w
h
ic
h
is
p
ar
ticu
lar
l
y
e
f
f
ec
t
iv
e
f
o
r
t
r
ain
ap
p
r
o
ac
h
d
etec
tio
n
,
w
h
er
e
v
ib
r
atio
n
p
atter
n
s
ex
h
ib
it
s
y
s
te
m
atic
e
v
o
lu
tio
n
a
s
d
is
tan
ce
d
ec
r
ea
s
es
[
21
]
.
T
o
ta
l tr
ain
ab
le
p
ar
a
m
eter
s
1
.
2
m
ill
io
n
.
2
.
3
.
5
.
T
ra
ini
ng
p
ro
ce
s
s
Af
ter
th
e
n
et
w
o
r
k
tr
ai
n
in
g
s
ta
g
e
w
it
h
h
y
p
er
p
ar
a
m
eter
t
u
n
i
n
g
,
all
m
o
d
els
w
er
e
tr
a
in
ed
u
n
d
er
id
en
tical
co
n
f
i
g
u
r
atio
n
s
to
en
s
u
r
e
f
air
co
m
p
ar
ati
v
e
e
v
alu
a
tio
n
.
T
r
ain
in
g
s
tar
ted
w
it
h
t
h
e
A
d
a
m
o
p
ti
m
izer
w
i
th
i
n
it
ial
lear
n
in
g
r
ate
o
f
0
.
0
0
1
an
d
ex
p
o
n
en
tial
d
ec
a
y
(
₁
=
0
.
9
,
₂
=
0
.
999
)
.
T
h
e
cr
o
s
s
-
e
n
tr
o
p
y
ca
te
g
o
r
ies
s
er
v
ed
as
th
e
lo
s
s
f
u
n
c
tio
n
f
o
r
m
u
lti
-
cla
s
s
clas
s
i
f
icatio
n
.
T
h
e
b
atch
s
iz
e
w
a
s
s
et
to
3
2
s
a
m
p
les,
w
i
th
a
m
ax
i
m
u
m
o
f
1
0
0
tr
ain
i
n
g
ep
o
ch
s
.
E
ar
l
y
s
to
p
p
in
g
w
ith
p
atie
n
ce
o
f
1
0
ep
o
ch
s
,
m
o
n
ito
r
ed
v
alid
atio
n
lo
s
s
to
p
r
ev
en
t
o
v
er
f
itti
n
g
.
L
ea
r
n
i
n
g
r
ate
r
ed
u
ctio
n
o
n
p
latea
u
(
f
ac
to
r
=
0
.
5
,
p
atien
ce
=
5
)
en
ab
led
a
d
ap
tiv
e
o
p
tim
izatio
n
.
A
ll
ex
p
er
i
m
e
n
ts
w
er
e
co
n
d
u
cted
o
n
an
NVI
DI
A
R
T
X
3
0
8
0
GP
U
w
it
h
t
h
e
T
en
s
o
r
Flo
w
2
.
1
2
f
r
am
e
w
o
r
k
.
2
.
4
.
E
v
a
lua
t
io
n
T
h
e
f
in
al
m
o
d
el
is
e
x
tr
ac
ted
an
d
ev
al
u
ated
o
n
th
e
test
d
ata.
A
t
t
h
is
s
tag
e,
t
h
e
f
i
n
al
m
o
d
el
i
s
o
b
tain
ed
an
d
ev
al
u
ated
u
s
i
n
g
p
er
f
o
r
m
a
n
ce
m
etr
ic
s
in
cl
u
d
i
n
g
ac
c
u
r
ac
y
,
p
r
ec
is
io
n
,
r
ec
all,
F1
-
s
co
r
e,
an
d
in
f
er
en
ce
ti
m
e
in
t
h
e
co
n
te
x
t
o
f
a
r
ea
l
i
m
p
le
m
en
tatio
n
.
T
h
e
co
m
p
ar
is
o
n
a
m
o
n
g
t
h
e
f
o
u
r
ar
ch
itect
u
r
es
e
n
ab
les
r
esear
ch
er
s
to
id
en
ti
f
y
t
h
e
b
est
m
o
d
el
th
at
i
s
n
o
t
o
n
l
y
t
h
eo
r
etica
ll
y
s
u
p
er
io
r
b
u
t
also
r
elev
an
t
to
p
r
ac
tical
co
n
s
tr
ain
ts
,
s
u
ch
a
s
co
m
p
u
tatio
n
al
p
o
w
er
li
m
itatio
n
s
an
d
th
e
p
r
esen
ce
o
f
en
v
ir
o
n
m
e
n
tal
n
o
i
s
e.
P
r
im
ar
y
clas
s
i
f
icatio
n
m
etr
ics
ar
e
co
m
p
u
ted
f
o
r
ea
ch
cla
s
s
an
d
a
g
g
r
e
g
ated
u
s
in
g
m
ac
r
o
-
av
er
a
g
in
g
[
22
]
:
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
24
,
No
.
5
,
Octo
b
e
r
20
26
:
1
7
5
5
-
1767
1760
=
(
+
)
(
+
+
+
)
(
8
)
=
(
+
)
(
9
)
=
(
+
)
(
1
0
)
1
−
=
2
×
(
×
)
(
+
)
(
1
1
)
w
h
er
e
:
TP
=
t
r
u
e
p
o
s
itiv
es
,
T
N
=
tr
u
e
n
e
g
ati
v
es,
FP
=
f
alse
p
o
s
itiv
es,
a
n
d
FN
=
f
al
s
e
n
e
g
a
tiv
es
.
R
ec
eiv
er
o
p
er
atin
g
ch
ar
ac
ter
i
s
tic
(
R
O
C
)
cu
r
v
es
a
n
d
ar
ea
u
n
d
er
t
h
e
cu
r
v
e
(
AUC)
m
etr
i
cs
p
r
o
v
id
e
th
r
es
h
o
ld
-
i
n
d
ep
en
d
en
t
as
s
es
s
m
en
t
o
f
d
is
cr
i
m
in
ati
v
e
ca
p
ab
ilit
y
.
Mu
lti
-
clas
s
R
O
C
an
al
y
s
i
s
e
m
p
lo
y
s
a
o
n
e
-
vs
-
r
est s
tr
ate
g
y
,
w
it
h
m
ac
r
o
-
a
v
er
ag
ed
A
U
C
co
m
p
u
ted
ac
r
o
s
s
al
l c
lass
e
s
.
C
o
n
f
u
s
io
n
m
a
tr
ices
v
is
u
alize
c
lass
-
w
i
s
e
p
r
ed
ictio
n
p
atter
n
s
an
d
id
en
ti
f
y
s
y
s
te
m
atic
m
i
s
clas
s
if
icatio
n
ten
d
en
cie
s
[
23
]
.
Statis
t
ical
s
i
g
n
if
ican
ce
te
s
ti
n
g
e
m
p
lo
y
s
o
n
e
-
w
a
y
a
n
al
y
s
i
s
o
f
v
ar
ian
ce
(
A
NO
V
A
)
to
ev
al
u
at
e
w
h
et
h
er
o
b
s
er
v
ed
p
er
f
o
r
m
a
n
ce
d
if
f
er
e
n
ce
s
b
et
w
ee
n
m
o
d
els
ar
e
s
tati
s
ticall
y
s
i
g
n
if
ican
t
(
<
0
.
05
)
.
P
o
s
t
-
h
o
c
p
air
w
is
e
co
m
p
ar
is
o
n
s
u
tili
ze
T
u
k
e
y
’
s
h
o
n
est
s
i
g
n
i
f
ica
n
t
d
if
f
er
en
ce
(
HSD)
test
w
i
th
B
o
n
f
er
r
o
n
i
co
r
r
ec
tio
n
[
24
]
.
E
f
f
ec
t
s
ize
q
u
a
n
ti
f
icatio
n
e
m
p
lo
y
s
C
o
h
e
n
’
s
d
f
o
r
p
air
w
i
s
e
co
m
p
ar
is
o
n
s
a
n
d
eta
-
s
q
u
ar
ed
(
²
)
f
o
r
o
v
er
all
v
ar
ia
n
ce
attr
ib
u
tio
n
:
²
=
_
_
(
1
2
)
C
o
m
p
u
tatio
n
al
e
f
f
icie
n
c
y
ev
alu
atio
n
en
co
m
p
a
s
s
e
s
i
n
f
er
e
n
ce
late
n
c
y
(
m
ill
is
ec
o
n
d
s
p
er
s
a
m
p
le)
,
tr
ain
i
n
g
d
u
r
atio
n
,
g
r
ap
h
ics
p
r
o
ce
s
s
in
g
u
n
it
(
GP
U
)
m
e
m
o
r
y
co
n
s
u
m
p
tio
n
,
an
d
m
o
d
el
p
ar
a
m
eter
co
u
n
t.
T
h
ese
m
etr
ics
ar
e
cr
itical
f
o
r
ass
e
s
s
i
n
g
d
ep
lo
y
m
e
n
t
f
ea
s
ib
ilit
y
o
n
r
eso
u
r
ce
-
co
n
s
tr
ain
ed
ed
g
e
d
ev
ice
s
s
u
c
h
as
R
asp
b
er
r
y
P
i
[
1
7
]
.
R
o
b
u
s
tn
es
s
an
al
y
s
is
ev
a
lu
ate
s
m
o
d
el
p
er
f
o
r
m
an
ce
d
eg
r
ad
atio
n
u
n
d
e
r
v
ar
y
i
n
g
s
ig
n
al
-
to
-
n
o
is
e
r
atio
(
SNR
)
co
n
d
itio
n
s
r
an
g
in
g
f
r
o
m
-
6
d
B
to
1
2
d
B
,
s
im
u
lati
n
g
r
ea
l
-
wo
r
ld
s
ce
n
ar
io
s
w
i
th
en
v
ir
o
n
m
e
n
ta
l i
n
ter
f
er
en
ce
[
25
]
.
T
h
r
o
u
g
h
t
h
is
p
r
o
ce
s
s
,
s
cien
ti
f
ic
v
alid
atio
n
i
s
co
n
d
u
c
ted
co
m
p
r
e
h
en
s
iv
e
l
y
,
f
r
o
m
d
ata
d
esig
n
a
n
d
ar
ch
itect
u
r
e
s
elec
tio
n
to
s
tr
u
ctu
r
ed
test
i
n
g
an
d
f
i
n
al
p
er
f
o
r
m
a
n
ce
e
v
al
u
atio
n
.
T
h
e
co
m
p
lete
e
v
alu
a
tio
n
f
r
a
m
e
w
o
r
k
en
ab
les
r
ig
o
r
o
u
s
m
o
d
el
co
m
p
ar
is
o
n
ac
r
o
s
s
m
u
ltip
le
d
i
m
e
n
s
io
n
s
:
clas
s
i
f
i
ca
tio
n
p
er
f
o
r
m
an
ce
,
co
m
p
u
tatio
n
al
r
eq
u
ir
e
m
e
n
t
s
,
s
tatis
t
ical
s
i
g
n
if
ican
ce
,
a
n
d
o
p
er
atio
n
al
r
o
b
u
s
tn
e
s
s
,
e
n
s
u
r
in
g
t
h
at
m
o
d
el
s
elec
tio
n
r
ec
o
m
m
e
n
d
atio
n
s
ar
e
g
r
o
u
n
d
ed
in
e
m
p
ir
ical
ev
id
en
ce
ap
p
licab
le
to
r
ea
l
-
w
o
r
ld
r
ail
w
a
y
m
o
n
ito
r
i
n
g
d
ep
lo
y
m
en
t
s
.
3.
RE
SU
L
T
S AN
D
D
I
SCU
SS
I
O
N
3
.
1
.
P
re
-
pro
ce
s
s
ing
s
pect
ro
g
ra
m
F
ig
u
r
e
2
p
r
e
s
en
ts
th
e
r
aw
a
c
ce
l
e
r
o
m
e
t
e
r
s
ig
n
a
l
s
an
d
c
o
r
r
esp
o
n
d
i
n
g
s
p
e
c
t
r
o
g
r
am
s
ac
q
u
i
r
ed
f
r
o
m
th
e
p
i
e
z
o
e
l
e
c
t
r
i
c
s
en
s
o
r
a
c
r
o
s
s
f
o
u
r
d
is
t
in
ct
t
r
a
in
d
et
e
c
ti
o
n
c
o
n
d
i
t
i
o
n
s
.
F
ig
u
r
e
2
(
a
)
s
h
o
w
s
t
h
e
r
aw
a
c
c
el
e
r
o
m
e
t
er
s
ig
n
a
l
u
n
d
e
r
t
h
e
n
o
-
t
r
ain
(
i
d
l
e
)
c
o
n
d
i
t
i
o
n
,
w
h
il
e
Fi
g
u
r
e
2
(
b
)
p
r
e
s
en
ts
i
ts
c
o
r
r
e
s
p
o
n
d
in
g
s
p
e
c
tr
o
g
r
am
.
F
ig
u
r
e
2
(
c
)
s
h
o
w
s
th
e
r
a
w
s
ig
n
al
w
h
en
th
e
t
r
a
i
n
i
s
a
t
a
f
a
r
d
is
t
an
ce
(
>
4
0
0
m
)
,
an
d
Fi
g
u
r
e
2
(
d
)
p
r
esen
ts
th
e
co
r
r
esp
o
n
d
in
g
s
p
ec
tr
o
g
r
a
m
.
Fi
g
u
r
e
2
(
e)
p
r
es
en
ts
t
h
e
r
a
w
s
ig
n
al
f
o
r
a
n
ea
r
-
d
is
tan
ce
tr
ain
(
2
0
0
-
4
0
0
m
)
,
w
i
th
its
co
r
r
esp
o
n
d
in
g
s
p
ec
tr
o
g
r
a
m
s
h
o
w
n
in
Fi
g
u
r
e
2
(
f
)
.
Fin
all
y
,
Fi
g
u
r
e
2
(
g
)
s
h
o
w
s
t
h
e
r
a
w
s
i
g
n
al
d
u
r
in
g
tr
ain
p
ass
in
g
(
<2
0
0
m
)
,
w
h
ile
F
ig
u
r
e
2
(
h
)
p
r
esen
t
s
th
e
co
r
r
esp
o
n
d
in
g
s
p
ec
tr
o
g
r
a
m
.
T
h
e
id
le
co
n
d
itio
n
e
x
h
i
b
its
lo
w
-
a
m
p
lit
u
d
e
s
to
ch
ast
ic
f
l
u
ctu
at
io
n
s
co
n
f
i
n
ed
w
it
h
i
n
±
0
.
0
6
g
,
r
ep
r
esen
ti
n
g
th
e
b
aseli
n
e
n
o
is
e
f
lo
o
r
with
u
n
i
f
o
r
m
s
p
ec
tr
al
en
er
g
y
d
i
s
tr
ib
u
tio
n
b
elo
w
-
4
0
d
B
ac
r
o
s
s
th
e
0
-
1
4
0
Hz
f
r
eq
u
en
c
y
r
a
n
g
e.
A
s
tr
ai
n
p
r
o
x
i
m
i
t
y
d
ec
r
ea
s
es,
s
y
s
te
m
a
tic
a
m
p
li
tu
d
e
i
n
ten
s
i
f
icatio
n
b
ec
o
m
es
e
v
id
en
t:
t
h
e
f
ar
-
d
is
ta
n
ce
co
n
d
itio
n
(
>4
0
0
m
)
d
e
m
o
n
s
tr
ate
s
a
m
p
lit
u
d
e
ex
p
an
s
io
n
to
±
0
.
3
g
w
it
h
e
m
er
g
e
n
t
s
p
ec
tr
al
co
n
ce
n
tr
atio
n
i
n
t
h
e
1
0
-
4
0
Hz
b
an
d
,
w
h
ile
th
e
n
ea
r
-
d
is
tan
ce
co
n
d
itio
n
(
2
0
0
-
4
0
0
m
)
ex
h
ib
its
f
u
r
t
h
er
a
m
p
lit
u
d
e
escalatio
n
to
±
1
.
0
g
ac
co
m
p
an
ied
b
y
p
r
o
n
o
u
n
ce
d
s
p
ec
tr
al
in
te
n
s
i
f
icatio
n
ex
te
n
d
in
g
f
r
o
m
1
0
Hz
to
8
0
Hz.
T
h
e
tr
ain
-
p
ass
i
n
g
co
n
d
itio
n
(
<2
0
0
m
)
ex
h
ib
it
s
m
ax
i
m
u
m
ac
ce
ler
atio
n
a
m
p
l
it
u
d
es
ap
p
r
o
ac
h
in
g
3
.
0
g
,
w
i
th
co
m
p
le
x
w
av
e
f
o
r
m
m
o
d
u
latio
n
ch
ar
ac
ter
ized
b
y
a
b
r
o
ad
b
an
d
s
p
ec
tr
al
en
er
g
y
d
i
s
tr
ib
u
tio
n
s
p
a
n
n
in
g
1
0
-
1
2
0
Hz,
w
it
h
p
e
ak
i
n
te
n
s
i
ties
r
ea
ch
in
g
0
d
B
,
p
ar
ticu
lar
ly
co
n
ce
n
tr
ated
w
it
h
i
n
th
e
0
.
6
-
1
.
4
s
ec
o
n
d
te
m
p
o
r
al
w
i
n
d
o
w
co
r
r
esp
o
n
d
in
g
to
m
a
x
i
m
u
m
tr
ain
-
s
e
n
s
o
r
p
r
o
x
i
m
i
t
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
C
o
mp
a
r
a
tive
d
ee
p
lea
r
n
in
g
a
r
ch
itectu
r
es fo
r
r
a
il
w
a
y
tr
a
in
d
etec
tio
n
u
s
in
g
…
(
Heri A
r
d
ia
n
s
ya
h
)
1761
(
a)
(
b
)
(
c)
(
d
)
(
e)
(
f
)
(
g
)
(
h
)
Fig
u
r
e
2
.
R
a
w
d
ata
a
n
d
s
p
ec
tr
o
g
r
a
m
co
m
p
ar
is
o
n
f
o
r
f
o
u
r
d
etec
tio
n
co
n
d
itio
n
s
p
iezo
elec
tr
ic
ac
ce
ler
o
m
eter
in
p
u
t d
ata
v
is
u
aliza
tio
n
: (
a)
r
aw
s
ig
n
al
s
n
o
f
a
u
lt (
I
d
le)
,
(
b
)
s
p
ec
tr
o
g
r
am
: n
o
f
a
u
lt (
I
d
le)
,
(
c)
r
a
w
s
i
g
n
als tr
ai
n
f
ar
(
>1
0
0
cm
)
,
(
d
)
s
p
ec
tr
o
g
r
a
m
: tr
ai
n
f
ar
(
>1
0
0
cm
)
,
(
e)
r
aw
s
ig
n
al
s
tr
ain
n
ea
r
(
2
0
0
-
4
0
0
c
m
)
,
(
f
)
s
p
ec
tr
o
g
r
a
m
:
t
r
a
in
n
e
a
r
(
2
0
0
-
4
0
0
cm
)
,
(
g
)
r
aw
s
ig
n
a
ls
t
r
ain
p
a
s
s
in
g
(
<
2
0
0
c
m
)
,
an
d
(
h
)
s
p
e
c
t
r
o
g
r
am
:
t
r
a
in
p
a
s
s
i
n
g
(
<
2
0
0
cm
)
3
.
2
.
M
o
del pro
ce
s
s
ing
-
t
ra
ini
ng
m
o
del C
NN,
RNN,
M
o
bil
eNe
t
,
L
ST
M
F
ig
u
r
e
3
i
l
lu
s
t
r
a
te
s
t
h
e
t
r
a
in
in
g
d
y
n
am
ics
an
d
c
o
n
v
e
r
g
en
c
e
c
h
a
r
a
ct
e
r
is
t
i
cs
o
f
f
o
u
r
DL
a
r
ch
i
te
c
tu
r
es
e
v
a
lu
at
e
d
f
o
r
r
a
i
l
w
ay
t
r
a
in
d
e
te
c
t
i
o
n
c
l
a
s
s
if
i
c
a
ti
o
n
.
I
n
F
ig
u
r
e
3
(
a
)
,
a
l
l
m
o
d
e
ls
d
em
o
n
s
t
r
a
t
e
p
r
o
g
r
e
s
s
iv
e
a
c
cu
r
a
cy
im
p
r
o
v
em
en
t
th
r
o
u
g
h
o
u
t
th
e
1
0
0
-
e
p
o
c
h
t
r
ai
n
in
g
p
e
r
i
o
d
,
w
ith
t
r
a
in
in
g
a
c
cu
r
a
cy
cu
r
v
es
(
s
o
l
id
l
in
e
s
)
c
o
n
s
i
s
te
n
t
ly
e
x
c
e
e
d
i
n
g
v
a
li
d
a
t
i
o
n
a
c
cu
r
a
cy
(
d
a
s
h
e
d
l
i
n
e
s
)
af
t
e
r
a
p
p
r
o
x
im
a
te
ly
e
p
o
ch
4
0
,
i
n
d
i
c
at
in
g
t
h
e
o
n
s
e
t
o
f
m
o
d
e
l
f
i
tt
in
g
t
o
t
r
a
i
n
i
n
g
d
a
t
a
p
a
t
t
e
r
n
s
.
T
h
e
C
N
N
-
2
D
an
d
h
y
b
r
i
d
C
N
N
-
L
S
T
M
a
r
c
h
i
t
e
ctu
r
e
s
a
c
h
i
ev
e
th
e
h
i
g
h
es
t
t
e
r
m
in
al
t
r
a
in
in
g
a
c
cu
r
a
cy
,
a
p
p
r
o
a
ch
in
g
9
9
%
,
w
h
i
le
M
o
b
i
l
eN
e
tV
2
an
d
L
S
T
M
m
o
d
e
ls
s
t
a
b
il
i
z
e
a
t
a
p
p
r
o
x
im
a
te
ly
9
5
-
9
7
%
.
F
ig
u
r
e
3
(
b
)
r
e
v
e
a
ls
c
o
r
r
es
p
o
n
d
i
n
g
c
r
o
s
s
-
en
t
r
o
p
y
l
o
s
s
r
e
d
u
c
ti
o
n
p
at
t
e
r
n
s
,
w
h
e
r
e
al
l
m
o
d
e
ls
e
x
h
i
b
i
t
r
a
p
i
d
in
i
ti
a
l
l
o
s
s
d
e
c
r
e
a
s
e
f
r
o
m
a
p
p
r
o
x
im
a
te
ly
2
.
3
t
o
b
e
l
o
w
0
.
5
w
i
th
in
th
e
f
i
r
s
t
4
0
e
p
o
c
h
s
,
f
o
l
l
o
w
e
d
b
y
g
r
a
d
u
a
l
c
o
n
v
e
r
g
en
ce
t
o
w
a
r
d
m
in
im
a
l
l
o
s
s
v
a
lu
es
.
N
o
t
a
b
ly
,
th
e
h
y
b
r
i
d
C
N
N
-
L
STM
m
o
d
el
a
ch
i
ev
es
th
e
l
o
w
e
s
t
t
e
r
m
in
a
l
v
al
i
d
a
ti
o
n
l
o
s
s
(
a
p
p
r
o
x
im
a
te
ly
0
.
2
)
,
s
u
g
g
e
s
t
in
g
s
u
p
e
r
i
o
r
g
en
e
r
a
li
z
a
tio
n
.
Fi
g
u
r
e
3
(
c)
q
u
an
ti
f
ie
s
co
n
v
er
g
e
n
ce
s
p
ee
d
,
in
d
icati
n
g
t
h
at
Mo
b
ileNetV2
ac
h
iev
e
s
9
0
%
ac
cu
r
ac
y
t
h
r
es
h
o
ld
f
aste
s
t
at
4
2
ep
o
ch
s
,
f
o
l
lo
w
ed
b
y
C
N
N
-
2
D
(
4
3
e
p
o
ch
s
)
,
h
y
b
r
id
C
NN
-
L
S
T
M
(
4
4
ep
o
ch
s
)
,
an
d
L
ST
M
(
4
8
ep
o
ch
s
)
.
T
h
e
d
etailed
tr
ain
i
n
g
p
r
o
g
r
ess
f
o
r
C
NN
-
2
D
(
Fig
u
r
e
3
(
d
)
)
an
d
h
y
b
r
id
C
NN
-
L
ST
M
(
Fig
u
r
e
3
(
e)
)
r
ev
ea
ls
th
at
b
o
th
ar
ch
itect
u
r
es
m
a
in
tai
n
r
elativ
el
y
s
m
all
g
ap
s
b
et
w
ee
n
tr
ain
i
n
g
an
d
v
a
lid
atio
n
m
e
tr
ics
,
w
it
h
v
alid
atio
n
ac
c
u
r
ac
y
s
tab
ilizin
g
ab
o
v
e
9
5
%
af
ter
ep
o
ch
6
0
.
Fig
u
r
e
3
(
f
)
s
u
m
m
ar
ize
s
k
e
y
p
er
f
o
r
m
a
n
ce
m
e
tr
ics,
d
e
m
o
n
s
tr
ati
n
g
t
h
at
h
y
b
r
id
C
NN
-
L
ST
M
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
24
,
No
.
5
,
Octo
b
e
r
20
26
:
1
7
5
5
-
1767
1762
ac
h
iev
e
s
t
h
e
h
i
g
h
e
s
t
v
alid
atio
n
ac
c
u
r
ac
y
(
ap
p
r
o
x
i
m
a
tel
y
9
7
%)
w
it
h
m
o
d
er
ate
tr
ai
n
i
n
g
ti
m
e
(
7
8
m
in
u
tes).
I
n
co
m
p
ar
is
o
n
,
Mo
b
ileNetV2
o
f
f
er
s
t
h
e
f
as
test
tr
ai
n
i
n
g
(
ap
p
r
o
x
i
m
ate
l
y
3
5
m
i
n
u
tes)
w
it
h
c
o
m
p
eti
tiv
e
ac
cu
r
ac
y
(
ap
p
r
o
x
im
atel
y
9
5
%).
(
a)
(
b
)
(
c)
(
d
)
(
e)
(
f
)
Fig
u
r
e
3
.
T
r
ain
in
g
d
y
n
a
m
ics a
n
d
co
n
v
er
g
en
ce
a
n
al
y
s
i
s
o
f
D
L
m
o
d
els
f
o
r
r
ail
w
a
y
d
etec
tio
n
: (
a)
tr
ain
i
n
g
a
n
d
v
alid
atio
n
ac
c
u
r
ac
y
,
(
b
)
tr
ain
i
n
g
a
n
d
v
alid
atio
n
lo
s
s
,
(
c)
co
n
v
er
g
e
n
ce
s
p
ee
d
,
(
d
)
C
NN
-
3
D:
d
etailed
tr
ain
in
g
p
r
o
g
r
ess
,
(
e)
C
NN
-
L
ST
M:
d
etailed
tr
ain
in
g
p
r
o
g
r
ess
,
a
n
d
(
f
)
tr
ain
in
g
s
u
m
m
ar
y
m
etr
ics
3
.
3
.
E
v
a
lua
t
i
o
n
-
t
esting
m
o
d
el
CNN,
RNN,
M
o
bil
eNe
t
,
L
ST
M
3
.
3
.
1
.
Nu
m
ber
o
f
it
er
a
t
io
ns
a
nd
det
ec
t
io
n sp
ee
d
Fig
u
r
e
4
p
r
esen
ts
a
co
m
p
r
eh
e
n
s
i
v
e
an
al
y
s
is
o
f
co
n
v
er
g
e
n
ce
s
p
ee
d
an
d
tr
ain
in
g
d
y
n
a
m
ics
ac
r
o
s
s
f
o
u
r
DL
ar
ch
itect
u
r
es
ev
a
lu
ated
f
o
r
r
ail
w
a
y
tr
ain
d
etec
tio
n
.
F
ig
u
r
e
4
(
a
)
il
lu
s
t
r
a
t
es
th
e
v
al
i
d
a
tio
n
l
o
s
s
t
r
a
je
c
t
o
r
i
es
o
v
e
r
1
0
0
t
r
a
i
n
in
g
e
p
o
ch
s
,
w
h
er
e
a
l
l
m
o
d
el
s
d
e
m
o
n
s
t
r
a
t
e
r
a
p
id
i
n
i
ti
a
l
l
o
s
s
r
e
d
u
c
ti
o
n
f
r
o
m
a
p
p
r
o
x
im
a
t
ely
1
.
8
-
2
.
0
to
b
elo
w
0
.
5
w
it
h
i
n
th
e
f
ir
s
t
4
0
ep
o
ch
s
,
w
it
h
co
n
v
er
g
e
n
ce
p
o
in
ts
(
in
d
icate
d
b
y
cir
c
u
lar
m
ar
k
er
s
)
o
cc
u
r
r
in
g
b
et
w
ee
n
ep
o
ch
s
6
5
-
8
5
.
T
h
e
h
y
b
r
id
C
NN
-
L
ST
M
ar
ch
itectu
r
e
ac
h
iev
e
s
th
e
lo
w
e
s
t
ter
m
in
al
v
alid
atio
n
lo
s
s
(
ap
p
r
o
x
im
atel
y
0
.
1
)
,
f
o
llo
w
e
d
b
y
Mo
b
ileNetV2
(
0
.
1
5
)
,
C
NN
-
2
D
(
0
.
1
8
)
,
an
d
L
ST
M
(
0
.
2
5
)
.
Fig
u
r
e
4
(
b
)
q
u
an
ti
f
ie
s
th
e
ep
o
ch
s
r
eq
u
ir
ed
to
r
e
ac
h
s
u
cc
es
s
i
v
e
ac
cu
r
ac
y
t
h
r
esh
o
ld
s
,
r
ev
ea
li
n
g
th
at
Mo
b
ileNetV2
d
em
o
n
s
tr
ate
s
th
e
f
aste
s
t
co
n
v
er
g
en
ce
to
8
0
%
ac
cu
r
ac
y
(
1
0
ep
o
ch
s
)
an
d
8
5
%
ac
cu
r
ac
y
(
1
5
ep
o
ch
s
)
,
w
h
il
e
C
NN
-
2
D
an
d
h
y
b
r
id
C
NN
-
L
ST
M
ex
h
ib
it
co
m
p
ar
ab
le
p
er
f
o
r
m
a
n
ce
ac
r
o
s
s
in
ter
m
ed
iate
t
h
r
es
h
o
ld
s
.
No
tab
ly
,
L
ST
M
f
ail
s
to
ac
h
ie
v
e
th
e
9
5
%
ac
cu
r
ac
y
t
h
r
es
h
o
ld
w
ith
in
1
0
0
ep
o
ch
s
(
in
d
icate
d
as
N/
A)
,
w
h
er
ea
s
C
NN
-
2
D
r
eq
u
ir
es
7
2
ep
o
ch
s
an
d
h
y
b
r
id
C
NN
-
L
ST
M
r
eq
u
ir
es
6
8
ep
o
ch
s
to
r
ea
ch
th
is
b
en
ch
m
ar
k
.
Fig
u
r
e
4
(
c)
d
is
p
lay
s
th
e
lear
n
i
n
g
r
ate
s
c
h
ed
u
le
s
e
m
p
lo
y
ed
d
u
r
i
n
g
tr
ai
n
in
g
,
co
m
p
ar
i
n
g
co
n
s
ta
n
t
(
0
.
0
0
1
)
,
s
tep
d
ec
ay
,
e
x
p
o
n
e
n
tial
d
ec
ay
,
an
d
co
s
i
n
e
an
n
ea
li
n
g
s
t
r
ateg
ies
ac
r
o
s
s
th
e
lo
g
ar
ith
m
ic
s
ca
le
f
r
o
m
1
0
⁻³
to
1
0
⁻⁶.
Fig
u
r
e
4
(
d
)
p
r
esen
ts
t
h
e
iter
atio
n
-
ti
m
e
b
r
ea
k
d
o
w
n
,
s
h
o
w
i
n
g
t
h
at
Mo
b
ileNetV2
ac
h
ie
v
es
t
h
e
f
as
test
p
er
-
iter
atio
n
p
r
o
ce
s
s
in
g
(
1
.
7
m
s
)
,
f
o
llo
w
ed
b
y
C
NN
-
2
D
(
2
.
5
m
s
)
,
h
y
b
r
id
C
NN
-
L
ST
M
(
3
.
8
m
s
)
,
an
d
L
ST
M
(
5
.
5
m
s
)
,
w
it
h
f
o
r
w
ar
d
an
d
b
ac
k
w
ar
d
p
ass
o
p
er
atio
n
s
as
th
e
d
o
m
in
a
n
t
co
m
p
u
tatio
n
al
c
o
m
p
o
n
en
t
s
.
Fig
u
r
e
4
(
e)
s
h
o
w
s
th
e
ea
r
l
y
s
to
p
p
in
g
an
al
y
s
is
r
es
u
lt
s
:
C
NN
-
2
D
an
d
h
y
b
r
id
C
NN
-
L
ST
M
ac
h
ie
v
e
o
p
ti
m
al
p
er
f
o
r
m
a
n
ce
at
ep
o
ch
s
8
5
an
d
8
7
,
r
esp
ec
tiv
el
y
,
w
i
th
p
atie
n
ce
v
a
lu
es
o
f
5
.
A
t
t
h
e
s
a
m
e
ti
m
e,
Mo
b
ileNetV2
tr
ig
g
er
s
ea
r
l
y
s
t
o
p
p
in
g
at
ep
o
ch
8
2
w
it
h
a
p
atien
ce
o
f
7
.
Fi
g
u
r
e
4
(
f
)
illu
s
tr
ates
t
h
e
ev
o
l
u
tio
n
o
f
g
r
ad
ien
t
n
o
r
m
s
t
h
r
o
u
g
h
o
u
t
tr
ain
i
n
g
,
s
h
o
w
i
n
g
t
h
a
t
all
m
o
d
els
m
ai
n
tai
n
g
r
ad
ien
t
n
o
r
m
s
b
elo
w
t
h
e
clip
p
in
g
t
h
r
esh
o
ld
(
1
.
0
)
,
w
i
th
p
r
o
g
r
es
s
iv
e
s
tab
ilizatio
n
to
w
ar
d
v
alu
e
s
b
et
w
ee
n
0
.
1
an
d
0
.
3
af
ter
ep
o
ch
6
0
.
Evaluation Warning : The document was created with Spire.PDF for Python.
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
C
o
mp
a
r
a
tive
d
ee
p
lea
r
n
in
g
a
r
ch
itectu
r
es fo
r
r
a
il
w
a
y
tr
a
in
d
etec
tio
n
u
s
in
g
…
(
Heri A
r
d
ia
n
s
ya
h
)
1763
(
a)
(
b
)
(
c)
(
d
)
(
e)
(
f
)
Fig
u
r
e
4
.
C
o
n
v
er
g
en
ce
s
p
ee
d
an
d
tr
ain
i
n
g
d
y
n
a
m
ic
s
an
al
y
s
i
s
f
o
r
DL
m
o
d
els i
n
r
ail
w
a
y
d
et
ec
tio
n
:
(
a)
lo
s
s
co
n
v
er
g
e
n
ce
(
=
co
n
v
er
g
ed
)
,
(
b
)
ep
o
ch
s
to
r
ea
ch
ac
cu
r
ac
y
t
h
r
esh
o
ld
s
,
(
c)
lear
n
in
g
r
ate
s
ch
e
d
u
les u
s
ed
,
(
d
)
iter
atio
n
ti
m
e
b
r
ea
k
d
o
w
n
,
(
e)
ea
r
ly
s
to
p
p
in
g
an
al
y
s
is
(
p
atien
ce
)
,
an
d
(
f
)
g
r
ad
ie
n
t n
o
r
m
ev
o
lu
tio
n
3
.
3
.
2
.
Det
ec
t
io
n a
cc
ura
c
y
Fig
u
r
e
5
illu
s
tr
ates
t
h
e
co
m
p
ar
ativ
e
clas
s
i
f
icatio
n
p
er
f
o
r
m
an
ce
o
f
f
o
u
r
D
L
ar
ch
itect
u
r
es
ev
alu
a
ted
f
o
r
r
ail
w
a
y
tr
ai
n
d
etec
tio
n
u
s
i
n
g
p
iezo
elec
tr
ic
ac
ce
ler
o
m
ete
r
d
ata.
T
h
e
h
y
b
r
id
C
NN
-
L
ST
M
m
o
d
el
r
u
n
s
w
it
h
s
u
p
er
io
r
p
er
f
o
r
m
a
n
ce
ac
r
o
s
s
all
ev
alu
at
io
n
m
etr
ics,
ac
h
i
ev
in
g
t
h
e
h
i
g
h
est
ac
c
u
r
ac
y
(
9
8
.
2
%),
p
r
ec
is
io
n
(
9
7
.
9
%),
r
ec
all
(
9
8
.
1
%),
an
d
F1
-
s
co
r
e
(
9
8
.
0
%).
T
h
e
C
NN
-
2
D
ar
ch
itect
u
r
e
ex
h
ib
i
ts
th
e
s
ec
o
n
d
-
b
est
p
er
f
o
r
m
a
n
ce
w
it
h
co
n
s
i
s
te
n
tl
y
b
alan
ce
d
m
etr
ic
s
,
r
ec
o
r
d
in
g
ac
cu
r
ac
y
o
f
9
6
.
9
%,
p
r
ec
is
io
n
o
f
9
6
.
4
%,
r
ec
all
o
f
9
6
.
9
%,
an
d
F1
-
s
co
r
e
o
f
9
6
.
7
%.
Mo
b
ileNet
V2
ac
h
iev
e
s
m
o
d
er
ate
p
e
r
f
o
r
m
a
n
ce
,
w
it
h
ac
cu
r
ac
ies
o
f
9
2
.
3
%,
p
r
ec
is
io
n
o
f
9
1
.
9
%,
r
ec
all
o
f
9
2
.
1
%,
an
d
an
F1
-
s
co
r
e
o
f
9
2
.
0
%,
in
d
icati
n
g
r
elativ
e
l
y
u
n
i
f
o
r
m
m
etr
ic
s
ac
r
o
s
s
all
ev
al
u
atio
n
cr
iter
ia.
T
h
e
L
ST
M
m
o
d
el
y
ield
s
th
e
lo
w
est
p
er
f
o
r
m
an
ce
a
m
o
n
g
t
h
e
ev
a
l
u
ate
d
ar
ch
itec
tu
r
es,
ac
h
iev
in
g
a
n
ac
cu
r
ac
y
o
f
8
9
.
5
%,
a
p
r
ec
is
io
n
o
f
8
8
.
8
%,
a
r
ec
all
o
f
8
9
.
3
%,
an
d
an
F1
-
s
co
r
e
o
f
8
9
.
0
%.
No
tab
ly
,
all
m
o
d
els
e
x
h
ib
it
m
in
i
m
a
l
v
ar
ian
ce
b
et
w
ee
n
p
r
ec
is
io
n
an
d
r
ec
all
v
al
u
es
(
w
ith
in
0
.
5
-
0
.
7
%),
in
d
icatin
g
b
alan
ce
d
class
if
icatio
n
p
er
f
o
r
m
an
ce
w
it
h
o
u
t
s
ig
n
i
f
ica
n
t
b
ias
to
w
ar
d
f
alse
p
o
s
itiv
e
s
o
r
f
alse
n
eg
at
iv
e
s
ac
r
o
s
s
th
e
f
o
u
r
tr
ain
p
r
o
x
i
m
it
y
d
etec
t
io
n
class
e
s
.
Fig
u
r
e
5
.
C
o
m
p
ar
is
o
n
o
f
cla
s
s
if
icatio
n
p
er
f
o
r
m
a
n
ce
m
etr
ic
s
ac
r
o
s
s
DL
m
o
d
els f
o
r
r
ail
w
a
y
d
etec
tio
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
1
6
9
3
-
6930
T
E
L
KOM
NI
K
A
T
elec
o
m
m
u
n
C
o
m
p
u
t E
l
C
o
n
tr
o
l
,
Vo
l.
24
,
No
.
5
,
Octo
b
e
r
20
26
:
1
7
5
5
-
1767
1764
3
.
3
.
3
.
Co
nfusi
o
n
m
a
t
ric
Fig
u
r
e
6
p
r
esen
ts
th
e
co
n
f
u
s
io
n
m
atr
ices
ill
u
s
tr
at
in
g
th
e
class
i
f
icatio
n
p
er
f
o
r
m
an
ce
o
f
f
o
u
r
DL
ar
ch
itect
u
r
es
f
o
r
tr
ain
d
etec
tio
n
ac
r
o
s
s
f
o
u
r
p
r
o
x
i
m
i
t
y
clas
s
e
s
:
n
o
tr
ain
(
id
le)
,
f
ar
(
>4
0
0
m
)
,
n
ea
r
(
2
0
0
-
400
m
)
,
an
d
p
ass
i
n
g
(
<2
0
0
m
)
.
T
h
e
h
y
b
r
id
C
NN
-
L
ST
M
m
o
d
el
(
Fi
g
u
r
e
6
(
a)
)
ac
h
iev
es
t
h
e
h
i
g
h
e
s
t
o
v
er
all
ac
c
u
r
ac
y
o
f
9
8
.
3
0
%,
w
it
h
d
ia
g
o
n
al
v
al
u
es
r
ep
r
esen
tin
g
co
r
r
ec
t
clas
s
if
ic
atio
n
s
r
a
n
g
i
n
g
f
r
o
m
9
7
.
6
%
to
9
8
.
8
%
ac
r
o
s
s
all
class
es,
a
n
d
m
i
n
i
m
al
o
f
f
-
d
iag
o
n
al
m
is
cla
s
s
i
f
ica
tio
n
r
ates
n
o
t
ex
ce
ed
in
g
1
.
6
%.
T
h
e
C
NN
-
2
D
ar
ch
itec
tu
r
e
(
Fig
u
r
e
6
(
b
)
)
ac
h
iev
es
s
ec
o
n
d
-
b
est
p
er
f
o
r
m
an
ce
w
it
h
9
7
.
0
0
%
ac
cu
r
ac
y
,
ex
h
ib
iti
n
g
s
tr
o
n
g
d
iag
o
n
a
l
d
o
m
i
n
a
n
ce
,
w
it
h
p
er
-
clas
s
ac
cu
r
ac
ies
o
f
9
8
.
0
%
(
n
o
tr
ain
)
,
9
6
.
0
%
(
f
ar
)
,
9
6
.
4
%
(
n
ea
r
)
,
an
d
9
7
.
6
%
(
p
ass
in
g
)
.
Mo
b
ileNetV2
(
Fig
u
r
e
6
(
c)
)
ac
h
iev
e
s
9
3
.
0
0
%
ac
cu
r
ac
y
w
it
h
r
elati
v
el
y
co
n
s
i
s
te
n
t
p
er
-
clas
s
p
er
f
o
r
m
an
c
e
r
an
g
i
n
g
f
r
o
m
9
1
.
2
%
to
9
4
.
0
%,
th
o
u
g
h
ex
h
ib
iti
n
g
h
i
g
h
er
co
n
f
u
s
io
n
b
e
t
w
ee
n
ad
j
ac
en
t
d
is
tan
ce
clas
s
es,
p
ar
ticu
lar
l
y
f
ar
-
n
ea
r
m
is
cla
s
s
if
icatio
n
(
4
.
8
%,
=
12
)
.
T
h
e
L
ST
M
m
o
d
el
(
Fig
u
r
e
6
(
d
)
)
y
ield
s
th
e
lo
w
es
t
ac
cu
r
ac
y
o
f
8
9
.
6
0
%,
w
it
h
t
h
e
m
o
s
t
p
r
o
n
o
u
n
ce
d
m
is
cla
s
s
i
f
ic
atio
n
p
atter
n
s
o
b
s
er
v
ed
b
et
w
e
en
t
h
e
f
ar
an
d
n
ea
r
class
es,
w
h
er
e
7
.
2
%
(
=
18
)
o
f
f
ar
s
a
m
p
les
w
er
e
i
n
co
r
r
ec
tl
y
clas
s
if
ied
as
n
ea
r
,
an
d
6
.
0
%
(
=
15
)
o
f
n
ea
r
s
a
m
p
les
w
er
e
m
is
cla
s
s
i
f
ied
a
s
f
ar
.
No
tab
l
y
,
all
m
o
d
els
d
e
m
o
n
s
tr
ate
s
u
p
er
io
r
class
i
f
icati
o
n
p
er
f
o
r
m
a
n
ce
f
o
r
th
e
e
x
tr
e
m
e
c
lass
e
s
(
n
o
tr
ai
n
an
d
p
ass
i
n
g
)
co
m
p
ar
ed
to
t
h
e
in
ter
m
ed
iate
d
is
ta
n
ce
clas
s
es
(
f
ar
an
d
n
ea
r
)
,
w
it
h
th
e
n
o
tr
ain
cla
s
s
ac
h
ie
v
i
n
g
th
e
h
ig
h
e
s
t
p
er
-
cla
s
s
ac
c
u
r
ac
y
ac
r
o
s
s
all
ar
ch
itect
u
r
es
(
9
0
.
8
-
9
8
.
8
%)
an
d
th
e
p
ass
in
g
clas
s
ex
h
ib
iti
n
g
m
i
n
i
m
al
f
alse
n
eg
at
iv
e
r
ates (
0
.
0
-
1
.
2
%
m
is
cla
s
s
i
f
ied
as
n
o
tr
ain
)
.
(
a)
(
b
)
(
c)
(
d
)
Fig
u
r
e
6
.
C
o
n
f
u
s
io
n
m
atr
ices
f
o
r
tr
ain
d
etec
tio
n
class
i
f
icatio
n
u
s
in
g
d
i
f
f
er
e
n
t
D
L
ar
ch
itect
u
r
es
: (
a)
h
y
b
r
id
C
NN
-
L
ST
M
,
(
b
)
C
NN
-
2
D,
(
c)
Mo
b
ileNetV2
,
an
d
(
d
)
L
ST
M
(
R
NN)
Evaluation Warning : The document was created with Spire.PDF for Python.