-
دسترسی آزاد مقاله
1 - ارائه یک الگوریتم آبشاری برای بهبود سرعت و دقت یک سیستم شناسایی نوع و مدل خودرو
محسن بيگلريدر دهه اخیر، مطالعات بسیاری بر روی طبقهبندی دانهریز اشیا صورت گرفته است. در این نوع طبقهبندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار میگیرد. این مسئله به دلیل وجود تعداد کلاسهای زیاد، تفاوت چکیده کاملدر دهه اخیر، مطالعات بسیاری بر روی طبقهبندی دانهریز اشیا صورت گرفته است. در این نوع طبقهبندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار میگیرد. این مسئله به دلیل وجود تعداد کلاسهای زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقهبندی دشوار به شمار میرود. علاوه بر این معمولاً سرعت سیستمهای شناسایی اشیا با افزایش دقت، کاهش مییابد و چنان که میبینیم یکی از چالشهای مهم در شبکههای عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصراً معرفی میگردد و سپس یک الگوریتم آبشاری برای بهبود توأمان سرعت و دقت این سیستم ارائه میشود. الگوریتم آبشاری پیشنهادی، طبقهبندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقهبندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجامشده بر روی مجموعه داده کاملاً متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا 80% افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است. پرونده مقاله -
دسترسی آزاد مقاله
2 - ارائه یک الگوریتم آبشاری برای بهبود سرعت و دقت یک سیستم شناسایی نوع و مدل خودرو
محسن بيگلري سیدعلی سلیمانی حمید حسنپوردر دهه اخیر، مطالعات بسیاری بر روی طبقهبندی دانهریز اشیا صورت گرفته است. در این نوع طبقهبندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار میگیرد. این مسئله به دلیل وجود تعداد کلاسهای زیاد، تفاوت چکیده کاملدر دهه اخیر، مطالعات بسیاری بر روی طبقهبندی دانهریز اشیا صورت گرفته است. در این نوع طبقهبندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار میگیرد. این مسئله به دلیل وجود تعداد کلاسهای زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقهبندی دشوار به شمار میرود. علاوه بر این معمولاً سرعت سیستمهای شناسایی اشیا با افزایش دقت، کاهش مییابد و چنان که میبینیم یکی از چالشهای مهم در شبکههای عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصراً معرفی میگردد و سپس یک الگوریتم آبشاری برای بهبود توأمان سرعت و دقت این سیستم ارائه میشود. الگوریتم آبشاری پیشنهادی، طبقهبندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقهبندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجامشده بر روی مجموعه داده کاملاً متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا 80% افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است. پرونده مقاله -
دسترسی آزاد مقاله
3 - مقایسه شبکه های عمیق Faster RCNN و RetinaNet جهت تشخیص خودرو در آبوهوای نامساعد
یاسر جمشیدی راضیه سادات اخوتتشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در چکیده کاملتشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در سيستمهاي نظارت بر ترافيک و برنامههاي رانندگی خودکار تأثير میگذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آبوهوای نامساعد مورد بررسی قرار میگیرد. پایگاه داده مورد استفاده، فایل DAWN میباشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آبوهوایی نامطلوب جمعآوری شدهاند. نتایج بهدستآمده نشان میدهند که روش ارائهشده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی میباشد. تمام پردازشها به زبان پایتون و در گوگل کولب انجام شده است. پرونده مقاله