تشخیص نوع خودرو با استفاده از شبکه عصبی عمیق پیچشی و یادگیری انتقالی

با گسترش کاربرد سامانه های هوشمند و تحلیل تصویری در حوزه حمل ونقل، شناسایی خودکار نوع خودرو به عنوان مسئله ای پیچیده و داده محور مطرح شده است که مستلزم بهره گیری از مدل های یادگیری عمیق با توان تمایزپذیری بالا می باشد. در این پژوهش، در گام نخست سه معماری مدرن مبتنی بر شبکه های عصبی کانولوشنی به صورت مستقل بر روی مجموعه داده استاندارد Stanford Cars آموزش داده شدند؛ سپس با به کارگیری یک رویکرد تجمیع ناهمگن در سطح تصمیم، عملکرد ترکیبی مدل ها پیاده سازی و به طور جامع مورد ارزیابی قرار گرفت. تمامی مراحل پیاده سازی، آموزش و ارزیابی در محیط محاسباتی Kaggle انجام شده است. نتایج حاصل از این تحقیق نشان می دهد که رویکرد پیشنهادی تجمیع ناهمگن، در مقایسه با مدل های منفرد، بهبود معناداری در شاخص های دقت، تعمیم پذیری و پایداری عملکرد ایجاد کرده و قادر است ضعف های هر معماری را از طریق هم افزایی ساختاری جبران نماید. این دستاوردها بیانگر کارایی بالای روش پیشنهادی در کاربردهای واقعی تشخیص مدل خودرو و قابلیت توسعه آن در سامانه های هوشمند مبتنی بر بینایی ماشین می باشد.

کلیدواژه ها:

تشخیص نوع خودرو ، تجمیع ناهمگن ، شبکه های عصبی کانولوشنی ، مجموعه داده Stanford Cars