دسته بندی وشناسایی وسایل نقلیه توسط یادگیری عمیق در سیستم های کنترل ترافیک

به طورکلی اهمیت تشخیص اشیا در سالهای اخیر روزبه روز بیشتر میشود. یکی از مسائل مهم در سیستمهای نظارتی بررسی وسایل نقلیه موجود در تصاویر است؟ در این مقاله تمرکز بر روی شناسایی و دسته بندی وسایل نقلیه موجود در مجموعه داده MIO_TCD میباشد. این مجموعه داده شامل 786,702 عکس در یازده دسته است، که توسط صدها دوربین نظارتی در زمانهای مختلف در طول روز و در فصول مختلف سال در کانادا و ایالات متحده گرفته شده است؟ این مجموعه داده با دو شبکه رتینانت و یولو ورژن چهار آموزش داده شد و نتایج حاصل با این دو شبکه با یکدیگر مقایسه شدند تا بتوان شبکه ی مناسب برای این مجموعه داده را بدست آورد و هایپر پارامترها را انتخاب کرد و عملکرد این دو شبکه را برای کلاسهایی با ابعاد کوچک بررسی کرد. با شبکه رتینانت دقت 74,53 درصد و با شبکه یولو ورژن چهار دقت 78,06 درصد بدست آمد و زمان پردازش هر عکس در شبکه یولو ورژن چهار، 0,02 ثانیه و برای شبکه رتینانت،0,27 ثانیه شد. در نتیجه شبکه یولو ورژن چهار روی این مجموعه داده خیلی بهتر عمل میکند. بعلاوه این دو شبکه روی کلاسهایی با ابعاد کوچک عملکرد بهتری نسبت به بقیه شبکه ها داشتند.

کلیدواژه ها:

داده افزایی ، یادگیری عمیق ، سیستمهای نظارتی ، وسایل نقلیه