8529

بررسي انواع شبكه هاي عصبي كانولوشني در ماشين هاي خودران به منظور شناسايي علائم راهنمايي و رانندگي

1400

جناب آقاي دكتر برادران شكوهي

جناب آقاي دكتر اميرخاني

سيستمهاي شناسايي علائم راهنمايي و رانندگي عنصري كليدي در پروژههاي پرطرفدار دنياي امروزي به شمار ميروند، مانند سيستم راننده خودران و سيستم ايمني و كمك راننده. در بخش اول به تحليل وضعيت سيستمهاي چندين سيستم تشخيص اشيا همراه با استخراج كنندههاي مختلف كه قبلا توسط نويسندههاي مربوطه توسعهيافتهاند، ميپردازيم. هدف ما در اين جا كاوش ويژگيهاي اين مدلهاي تشخيص شئ ميباشد. اين مدلها مخصوصا به وسيله انتقال يادگيري براي مشكل تشخيص علائم راهنمايي و رانندگي تنظيم شدهاند. به طور خاص، مدلهاي مختلف در دسترس عموم توسط مجموعه دادهي Microsoft COCOتعليم دادهشدهاند و به طور دقيق . تنظيم شدهاندGerman Traffic Sign Detection Benchmark توسط مجموعه داده تحليل و مقايسه اين مدلها با استفاده از پارامترهاي كليدي مانند: دقت متوسط، تخصيص حافظه، مدت زمان اجرا، تعداد عمليات نقطه شناور، تعداد پارامترهاي مدل و تاثير اندازه تصاوير علائم راهنمايي و رانندگي، صورت ميگيرد. نتايج بدستآمده نشان ميدهند كه تركيب Faster R-CNNبا Inception Resnet V2بهترين دقت متوسط را كسب ميكند، در حالي كه تركيب R-FCNبا Resnet 101داراي بهترين مصالحه بين دقت و مدت زمان اجرا ميباشد. تركيب YOLO V2و SSDبا Mobilenetشايسته اين توضيح خاص هستند كه اولي به نتايج رقابتي در موضوع دقت دستيافته و دومين مدل سريع ميباشد درحالي كه دومي سريعترين مدل و كم مصرفترين مدل در زمينه مصرف حافظه ميباشد كه اين ويژگي اين مدل را به عنوان بهترين گزينه براي استفاده در دستگاههاي تلفن همراه و جاسازيشده تبديل ميكند. در بخش ديگر يك رويكرد يادگيري عميق براي سيستم هاي شناسايي علائم راهنمايي و رانندگي ارائه شده است. چندين آزمايش طبقهبندي با استفاده از يك شبكه عصبي عميق كه شامل لايههاي كانولوشن و شبكههاي مبدل مكاني است، بر روي مجموعه دادهها انجام شده است. ابتدا الگوريتم هاي مختلف تطبيقي و غير تطبيقي بهينه سازي نزولي شيب سازگار ارزيابي شدهاند. پس از آن، چندين تركيبازشبكههاي مبدل مكاني كه در موقعيت هاي مجزا در شبكه اصلي عصبي قرار گرفتهاند ، مورد تجزيه و تحليل قرار مي گيرند. ميزان تشخيص شبكه عصبي كانولوشن پيشنهادي دقت ٪99,71را در معيار تشخيص علائم راهنمايي و رانندگي آلمان گزارش مي دهد، كه از روشهاي پيشرفته قبلي بهتر عمل ميكند و همچنين از نظر ميزان حافظه مصرفي كارآمدتر است

5/25/2021 12:00:00 AM

71488

1400/03/26

Study of types of convolutional neural networks in autonomous driving for traffic sign detection

شبكه هاي عصبي , كانولوشني , علائم راهنمايي و رانندگي , ترافيك , شناسايي جسم

neural network , convolution , traffic sign , object detection