یادگیری عمیق و چالش های تشخیص علائم راهنمایی و رانندگی

تشخیص و شناسایی علائم راهنمایی و رانندگی بخش جدایی ناپذیر از یک سیستم پیشرفته کمک راننده (ADAS) است . در سال های اخیر، با استفاده از هوش مصنوعی ((AI، سیستمهای کمک راننده بروز شده اند و با به دست آوردن اطلاعات لحظه ای از وضعیت جاده، به سرعت به رانندگان یادآوری می کنند که عملیات دقیق را انجام دهند و در نتیجه از تصادفات رانندگی به دلیل خستگی راننده جلوگیری می کنند. علاوه بر سیستم های کمک راننده، توسعه وسایل نقلیه خودران نیز نیازمند تشخیص سریع و دقیق علائم راهنمایی و رانندگی است . تشخیص و شناسایی علائم راهنمایی و رانندگی (TSR) نیازمند بکارگیری الگوریتمهای تشخیص و طبقه بندی است و اساسا از اطلاعات بصری مانند شکل و رنگ علائم راهنمایی و رانندگی استفاده می کنند. با این حال، این الگوریتمها در آزمونهای بلادرنگ با اشکالاتی مواجه هستند، مانند اینکه به راحتی توسط شرایط محیطی محدود می شوند، از جمله نور، زاویه دید، همپوشانی ، سرعت رانندگی و غیره. همچنین دستیابی به تشخیص چند هدف بسیار دشوار است و نیازمند تسریع در عملکرد الگوریتمهای مربوطه است . با بهبود مستمر سخت افزار، محدودیت شبکه های عصبی مصنوعی کاهش یافته است . در این مقاله چالش های مربوط به تشخیص و شناسایی بلادرنگ علائم راهنمایی و رانندگی ارائه می شود و مروری بر روشهای تطبیق ویژگی و الگوریتم های یادگیری ماشین و همچنین الگوریتم های یادگیری عمیق شامل شبکه های عصبی کانولوشنی خواهیم داشت .

کلیدواژه ها:

تشخیص و شناسایی علائم راهنمایی و رانندگی ، سیستمهای کمک راننده ، شبکه های عصبی کانولوشنی .