28139

شناسايي مدل هاي يادگيري عميق با كارايي بالا براي تشخيص اشيا در شبكه منطقه اي

كارشناسي ارشد

مهندسي مكانيك- ساخت و توليد

1398

1401/8/21

رامين هاشمي

دانشكده مهندسي مكانيك

امروزه وقتي صحبت از پردازش تصوير به ميان مي آيد، تشخيص و شناسايي اشياء متحرك بلادرنگ با دقت بالا به دليل حجم بيش از حد داده، كاري بسيار چالش برانگيز است. اين موضوع جديد تاثير زيادي در نظارت بصري دارد و به دليل تغيير مداوم آيتم مورد نظر و تغيير خواص شي، ديد، انسداد، ظاهر و حركت و روشنايي، اين موضوع يكي از حوزه هاي مهم تحقيقاتي در امنيت است. سيستم هاي نظارت و سيستم هاي نظارت بصري است. در اين زمينه، اغلب روش‌هاي سنتي تشخيص اشيا بر اساس ويژگي‌هاي دستي و معماري‌هاي قديمي است و داراي اشكالاتي است. در حال حاضر، با وجود روش‌هاي مختلف در يادگيري عميق، براي رفع چالش‌هاي روش‌هاي سنتي، مي‌توان تكنيك‌هايي را معرفي كرد كه قادر به يادگيري ويژگي‌هاي معنايي، سطح بالا و عميق‌تر باشند. در اين راستا، در اين تحقيق، سيستم جديدي به منظور شناسايي و طبقه بندي اجسام متحرك ارائه شده است. اين رويكرد جديد شامل استخراج ويژگي‌هاي جديد توسط الگوريتم يادگيري كانولوشنال عميق (CNN)، انتخاب ويژگي‌ها توسط الگوريتم بهينه‌سازي ملخ و در نهايت طبقه‌بندي اين ويژگي‌ها است كه به طور موثر وضعيت رويكرد پيشنهادي را ساده مي‌كند. به طور كلي، روش CNN داراي مزاياي زيادي مانند زمان آموزش كوتاه، عملكرد تعميم خوب و سرعت محاسباتي سريع در مقايسه با ساير تكنيك هاي پيچيده است. در اين روش با تركيب الگوريتم هاي بهينه سازي و CNN، دقت بهتري نسبت به CNN معمولي ايجاد مي شود.

1402/02/04

Identifying High-Performance Deep Learning Models for Object Detection in the Regional Network

11/12/2023 12:00:00 AM

Today, when it comes to image processing, detection and identification of real-time moving objects with high accuracy due to excessive data volume, is a very challenging task. This new subject has a great impact on the visual surveillance of and because of the continual change of the target item and the changing properties the thing, view, obstruction, appearance and movement and brightness, this topic is one of the important research areas in security monitoring systems and surveillance systems. It is visual. In this context, most traditional methods of Detection of objects is based on on manual features and old architectures and have their drawbacks. At present, despite the various methods when it comes to deep learning, to address the challenges of traditional methods, we can introduce techniques that are able to learn semantic features, high level and deeper. In this regard, in this research, a new system in order to detect and classification of moving objects is presented. This new approach involves the extraction of new features by the deep convolutional learning algorithm (CNN), the selection of features by the grasshopper optimization algorithm, and finally the classification of these features, which effectively simplifies the situation of the recommended approach. On the whole, the CNN method has many advantages, such as short training time, good generalization performance, and fast computational speed, compared to other sophisticated techniques. In this method, by combining optimization algorithms and CNN, better accuracy is created compared to conventional CNN.

پردازش تصوير , تشخيص جسم متحرك

image processing , moving object detection

Malek Alfariji

Dr. Ramin Hashemi