بخش بندی تصاویر ترافیکی شهری با استفاده از U-Net بهبود یافته با MobileNetV۲ و کوانتیزه سازی هیبریدی

در این مقاله مدل پیشنهادی با هدف ارائه راهکاری کم حجم، کارآمد و دقیق برای پردازش و تحلیل نقشه های ترافیکی در محیط های شهری طراحی می شود. این مدل از معماری U-Net که با استفاده از MobileNetV۲ به عنوان بخش استخراج ویژگی، ویژگی های مکانی تصاویر را با دقت بالا و هزینه محاسباتی کم استخراج می کند. در بخش بازسازی اطلاعات مکانی، از کانولوشن تفکیک پذیر و روش های بهینه سازی طراحی می شود که ضمن کاهش تعداد پارامترها، دقت بازسازی تصاویر چندکلاسه را حفظ می کند. برای بهینه سازی مدل در محیط های منابع محدود مانند سیستم های اینترنت اشیا و دستگاه های کم حجم، روش کوانتیزه سازی هیبریدی و فشرده سازی مدل استفاده می شود که در نتیجه، نسخه نهایی مدل با فرمت سبک شده ارایه می شود. این رویکرد نه تنها اندازه مدل را کاهش می دهد، بلکه قابلیت اجرای بلادرنگ را نیز بهبود می بخشد. از مجموعه داده Cityscapes برای آموزش و ارزیابی مدل استفاده می کنیم و به منظور افزایش تعمیم پذیری، تقویت داده ها با تکنیک هایی نظیر چرخش، انتقال و تغییر مقیاس انجام می گردد. همچنین، مدل از طریق یادگیری انتقالی بهینه سازی شده و دقت ارزیابی خواهد شد. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی با ارائه تعادل مناسبی میان دقت بالا و سرعت پردازش مناسب در پردازش نقشه های ترافیکی تصاویر شهری دارد.

کلیدواژه ها:

نقشه های ترافیکی ، U-Net ، اینترنت اشیا ، یادگیری انتقالی ، فشرده سازی ، کوانتیزه سازی هیبریدی