ردیابی انسان در شرایط وجود مانع برای کاربرد در شرایط زلزله و ریزش آوار با استفاده از شبکه عصبی کانولوشنال

در سال های اخیر پردازش تصویر رشد بالایی کرده است. تاثیر این پیشرفت در بسیاری از حوزه ها به خصوص حوزه پزشکی نمود بیشتری پیدا کرده است. تشخیص انسان در حوزه امداد و نجات کار زیادی صورت نگرفته است و یکی از چالش های پیش رو به شمار می رود. تشخیص جامعه موضوع چالش برانگیز در تحلیل شبکه های اجتماعی به حساب می آید. الگوریتم شبکه عصبی کانولوشنال یکی از کارآمدترین ابزارهای پردازش تصویر است که توانایی بالایی در حوزه های مختلف از خود نشان داده است. تشخیص انسان در هر شرایطی که در زیر آوار است کار پر جلشی است زیرا همواره مانعی در جلوی آن وجود دارد که اجازه دیده شدن کامل آن را نمی دهد. تحت این شرایط سیستمی باید طراحی کرد که تنها با دیدن بخش کوچکی از بدن شخص به درستی وجود اورادهد. از این رو در این کار با در دست داشتن دادگانی شامل تصاویر افرادی که در زیر آوار قرار داشتند سعی شد تا این سیستم پیاده سازی گردد. برای رسیدن به این هدف تعدادی زیادی از مقالات مطالعه شد و روش درست چیدمان لایه ها و همچنین طریقه آموزش انتخاب گردید. در این کار سعی شد تا شبکه ی از پیش آموزش داده شده ای انتخاب گردیده و عمل بازآموزی بر روی آن صورت گیرد تا نیاز به حجم بالایی از دادگان نباشد. به همین دلیل از یک سبکه بر روی دادگان CIFAR آموزش داده شد و سپس با استفاده از دادگان مورد استفاده در این کار وزن هب بروز شدند. در این حالت سیستم تواانست به خطایی در حدود ۶ درصد دست یابد که با توجه به انتخاب ۶۰ تصویر برای آموزش سیستم درصد کارایی قابل قبولی است.

کلیدواژه های ردیابی انسان در شرایط وجود مانع برای کاربرد در شرایط زلزله و ریزش آوار با استفاده از شبکه عصبی کانولوشنال:

پردازش تصویر در امداد و نجات ، تشخیص انسان ، شبکه های کانولوشنال ، یادگیری عمیق