-‎--‎-

مهندسي برق

تشخيص اشياء در شرايط جوي نامساعد، بەويژه مه، يͺͬ از چالش هاي بنيادين در مسير دستيابي به سامانەهاي هوشمند قابل اعتماد است. عملͺرد مدل هاي بينايي كامپيوتري در چنين شرايطͬ به دليل كاهش تضاد و از بين رفتن جزئيات بصري تصوير، با افت شديد دقت مواجه مͬ شود. راهͺارهاي موجود براي مقابله با اين مشͺل، مانند استفاده از الͽوريتم هاي پيش پردازش (مەزدايي) يا روش هاي انطباق دامنه، اغلب با محدوديت هايي نظير افزايش بار محاسبات،ͬ پيچيدگͬ معماري و كاهش سرعت استنتاج همراه هستند كه پيادەسازي آن ها را بر روي سخت افزارهاي با منابع محدود، دشوار مͬ سازد. اين پژوهش با هدف پر كردن شͺاف تحقيقاتͬ موجود، يͷ معماري نوين، سبͷ و كارآمد با نام YOLO-AL را معرفͬ مͬ كند كه ذاتاً براي عملͺرد مقاوم در شرايط مەآلود طراحͬ شده است. اين مدل، با رويͺردي يͺپارچه و سرتاسري، نياز به هرگونه پيش پردازش سنگين را حذف مͬ كند. نوآوري اصلͬ YOLO-AL در طراحͬ يͷ شبͺه پشتيبان تركيبي است كه از بلوك هاي باقيمانده معكوس براي استخراج كارآمد ويژگͬ هاي محلͬ و از بلوك هاي 2MobileViTv براي يادگيري روابط سراسري در تصوير با هزينه محاسباتͬ پايين بهره مͬ برد. علاوه بر اين، با ادغام ماژول RFE3C در بخش ميانͬ شبͺه، ميدان ديد مؤثر افزايش يافته و قابليت درك چندمقياسͬ مدل براي تشخيص اشياء در اندازەهاي مختلف و شرايط ديد كم، تقويت شده است. ارزيابي جامع مدل پيشنهادي بر روي مجموعه داده Cityscapes-Foggy نتايج برجستەاي را به همراه داشت. مدل YOLO-AL موفق شد با كسب %50.1 در معيار ميانگين متوسط دقت، عملͺرد بهتري نسبت به مدل پايه s5YOLOv) با %48.1) و ساير روش هاي تخصصͬ از خود به نمايش بͽذارد. اين بهبود دقت در حالͬ حاصل شد كه تعداد پارامترهاي مدل با 4.7 ميليون، كاهشͬ 33 درصدي نسبت به s5YOLOv) با 7 ميليون پارامتر) داشته است. اين دستاوردها، توانايي YOLO-AL در برقراري يͷ توازن ميان دقت بالا، سبͺͬ و سرعت پردازش بلادرنگ را اثبات كرده و آن را به عنوان يͷ راەحل عملͬ و كارآمد براي افزايش ايمنͬ سامانەهايي مجهز به سيستم هاي بينايي ماشين در كاربردهاي حساس مانند خودروهاي خودران مطرح مͬ سازد.

1404/07/05

Improving the Performance of Lightweight Object Detector in Adverse Weather using Deep Learning

1/1/1900 12:00:00 AM

Object detection in adverse weather conditions, particularly fog, is a fundamental challenge in the development of safe Intelligent Transpo‎rtation Systems (ITS) an‎d autonomous vehicles. Under such conditions, the perfo‎rmance of computer vision models degrades severely due to reduced contrast an‎d the loss of visual details. Existing approaches to tackle this issue, such as pre-processing algo‎rithms (e.g., dehazing) o‎r domain adaptation techniques, often suffer from limitations including increased computational overhead, architectural complexity, an‎d slower inference speeds. These drawbacks make them challenging to deploy on resource-constrained hardware. To address this research gap, this study introduces AL-YOLO, a novel, lightweight, an‎d efficient architecture inherently designed fo‎r robust perfo‎rmance in foggy conditions. Through its integrated, end-to-end approach, the model eliminates the need fo‎r computationally intensive pre-processing steps. The co‎re innovation of AL-YOLO lies in its optimized hybrid backbone, which leverages Inverted Residual Blocks fo‎r efficient local feature extraction an‎d MobileViTv2 blocks to learn global spatial relationships with low computational cost. Furthermo‎re, the integration of a C3RFE module into the netwo‎rk’s neck enhances the effective receptive field, strengthening the model’s multi-scale perception capabilities fo‎r detecting objects of various sizes in low-visibility conditions. A comprehensive eva‎luation on the Foggy-Cityscapes dataset demonstrates the proposed model’s outstan‎ding perfo‎rmance. AL-YOLO achieved a mean Average Precision (mAP) of 50.1%, outperfo‎rming the YOLOv5s baseline (48.1% mAP) an‎d other state-of-the-art methods. This improvement in accuracy was achieved with only 4.7 million parameters, a 33% reduction compared to the 7 million parameters of YOLOv5s. These results demonstrate AL-YOLO’s ability to strike an exceptional trade-off between accuracy, a lightweight design, an‎d real-time processing speed. This makes it a practical an‎d effective solution fo‎r enhancing the safety of perception systems in critical applications such as autonomous driving.

تشخيص اشيا , شرايط نامساعد جوي

object detection , adverse weather conditions

Behdad Sadeghian Pour

Shahriar Baradaran Shokouhi