کاربرد شبکه عمیق بهبود یافته در طبقه بندی صحنه برای خودروهای خودران

خودروهای خودران موضوع امروزه تمامی جوامع برای کاهش ترافیک و بهبود کارایی سفر هستند. یکی از فناوری های کلیدی خودروهای خودران، طبقه بندی صحنه است که می تواند مبنایی برای تصمیم گیری های این خودروها باشد. اخیرا، راهکارهای مبتنی بر یادگیری عمیق در مساله طبقه بندی صحنه منجر به کسب نتایج خوبی شده است. با این حال، برخی مسائل در این زمینه باید به طور عمیق تر مطالعه شوند. به همین جهت، یک روش بهبود یافته برای طبقه بندی صحنه مبتنی بر شبکه عمیق در این مقاله ارائه شده است. در این روش، یک شبکه بهبود یافته Faster RCNN برای استخراج خصوصیات اشیاء در صحنه جهت دستیابی به ویژگی های محلی استفاده می شود. سپس، از یک ماژول Inception بهبود یافته برای استخراج ویژگی های کلی استفاده شده که در آن یک تابع ترکیبی Leaky ReLU و ELU ارائه می شود تا افزونگی احتمالی هسته کانولوشن کاهش یافته و پایداری افزایش یابد. سپس خصوصیات محلی و کلی ترکیب شده تا طبقه بندی صحنه انجام شود. در نهایت، یک مجموعه داده خصوصی با استفاده از مجموعه داده های عمومی برای کاربرد تخصصی طبقه بندی صحنه در زمینه خودروهای خودران ایجاد شده و روش پیشنهادی روی این مجموعه داده آزمایش شده است. نتایج نشان می دهد دقت روش پیشنهادی می تواند به ۹۴.۷۶ درصد برسد که باالتر از روش های پیشرفته موجود است.

کلیدواژه ها:

شبکه عصبی ، شبکه عمیق ، طبقه بندی صحنه ، کانولوشن ، ماشین خودران