دسته بندی خودرو مبتنی بر شبکه های کانولوشنی عمیق

ترافیک شهری در حال حاضر یک مشکل مهم برای اکثر شهرهای متو سط و بزرگ ا ست. برای کاهش مشکلات نا شی از تراکم ترافیک، سیستم های حمل ونقل هو شمند ITS ، در سرا سر جهان گسترش مییابند . در این میان خودروها به علت حضور متداول در صحنه های شهری اهمیت بالایی دارند. با توجه به این مسله، تشخیص دقیق خودرو از اهمیت بالایی برخوردار است. شبکه های عصبی کانولوشنی یکی از مهمترین روش های یادگیری عمیق هستند که در ان ها چندین لایه اموزش داده میشوند. در میان روشهای دیگر شبکه های عصبی، شبکه های عمیق کانولو شنی دقت بالایی به خود اختصاص داده اند این شبکه ها نیز مشکلات خاص خود را دارند، از جمله این که تعداد زیاد پارامترها ممکن است سبب مشکل بیش برازش شود. یکی دیگر از مشکالت این است که با افزایش تعداد لایه ها زمان موزش افزایش مییابد. هم چنین اگر برای افزایش دقت عمیق شبکه را افزایش دهیم ممکن است دقت شبکه اشباع شود و سپس کاهش یابد. البته هر کدام از مشکلات ذکرشده راه حل مخصوص خود را دارند. در این مقاله سعی بر این بوده است از شبکه هایی استفاده شود تا با این مشکلات تا حد ممکن روبه رو نشویم.همچنین در این مقاله با هدف دسته بندی خودروها، ابتدا به صورت مختصر سه شبکه کانولو شنی مشهور AlexNet، VGG و ResNet برر سی کرده ایم. سپس هر سه شبکه را با تعداد لایه های متفاوت روی مجموعه تصاویر خودرو GTI و KITTI که شامل 8792 تصاویر از خودروها از جوانب مختلف هستند و 8968 تصاویر پرت که شامل خودرو نیستند، ارزیابی کرده ایم. که این ارزیابی روی سیستم با کارت گرافیک GEFORCE GTX 960M اجرا شده است.

کلیدواژه ها:

ترافیک ، سیستم های حمل ونقل هوشمند ، شبکه های کانولوشنی عمیق ، دسته بندی خودروها