ارایه یک روش بهینه سازی نوین برروی مدل مبتنی بر یادگیری ماشین جهت تشخیص اشیاء در تصاویر بستر دریا

پردازش تصاویر در بستر دریا با هدف بهبود تشخیص و شناسایی اشیاء در محیطهای زیرآبی، یک چالش مهم در بینایی ماشین و هوش مصنوعی محسوب می شود. مدل Grounding DINO با ترکیب قابلیتهای تشخیص شیء مبتنی بر متن و معماری پیشرفته Transformer امکان شناسایی دقیق موجودات دریایی، تجهیزات زیرآبی و سایر اشیاء را در تصاویر پیچیده و کم کیفیت فراهم می کند. در این پژوهش، از یک مجموعه داده تخصصی شامل تصاویر و ویدیوهای زیرآبی استفاده شده است تا مدل را برای شرایط خاص محیطهای دریایی مانند نور، کم اعوجاج آب و وجود ذرات معلق بهینه سازی کنیم. همچنین، با استفاده از یادگیری انتقالی و تکنیکهای افزایش داده، دقت و کارایی مدل در شناسایی اشیاء مختلف بهبود یافته است. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی در مقایسه با روش های سنتی از دقت بالاتری در تشخیص اشیاء برخوردار است و می تواند به عنوان یک ابزار قدرتمند در کاربردهایی مانند اکتشافات دریایی، نظارت بر محیط زیست، بازرسی زیرساخت های زیرآبی و امنیت ساحلی مورد استفاده قرار گیرد.

کلیدواژه ها:

پردازش تصویر ، یادگیری بدون نمونه ، تقویت داده ، فصل مشترک ، Grounding DINO ، Transfer Learning ، Data Augmentation