28153

استحكام مدل هاي يادگيري عميق براي معيارهاي چالش برانگيز تشخيص اشيا

كارشناسي ارشد

مهندسي مكانيك- ساخت و توليد

1398

1401/8/15

مجيد رجبي

مهندسي مكانيك

امروزه تشخيص و طبقه بندي اشيا يكي از مهم ترين و چالش برانگيزترين زيرشاخه هاي پردازش تصوير و بينايي كامپيوتري است كه به طور مكرر در زندگي انسان ها مانند نظارت بر امنيت، ترافيك، رانندگي هوشمند، محيط و غيره كاربرد دارد. اين براي مكان يابي نمونه هايي از اشياء و طبقه بندي آنها استفاده مي شود. بسياري از محققان در اين زمينه چندين روش مبتني بر يادگيري ماشين را بررسي و ارائه كرده اند. اكنون با سرعت بالاي توسعه الگوريتم هاي يادگيري عميق براي تشخيص اشيا، بسياري از محققان روش هاي خود را بر اساس اين الگوريتم ها ارائه كرده اند. اما با وجود مزاياي فراوان الگوريتم هاي يادگيري عميق، اين الگوريتم ها همچنان چالش هاي زيادي دارند كه توجه ويژه محققان را مي طلبد. به طور كلي الگوريتم هاي يادگيري عميق به وزن لايه هاي خود بسيار حساس هستند. به گونه اي كه تنظيم دقيق اين وزنه ها مي تواند كيفيت تشخيص اشيا را در آنها بهبود بخشد. در اين پايان نامه هدف ما ايجاد سيستمي براي افزايش كيفيت وزن ها براي الگوريتم يادگيري عميق براي شناسايي اشياء در مجموعه داده ها با استفاده از يك الگوريتم بهينه سازي به نام الگوريتم گرگ خاكستري (GWO) است كه در نهايت بر اساس نتايج خروجي است. . كيفيت و استحكام الگوريتم هاي يادگيري عميق بهبود يافته و نتايج تشخيصي دقيق تر هستند.

1402/02/06

Robustness of Deep Learning Models for Challenging Object Detection Metrics

11/6/2023 12:00:00 AM

Today, object Detection and classification is the one of most important and a challenging subfields of computer image and vision processing, that is frequently applied in the lives of humans like security monitoring, traffic, intelligent driving, environment and so on. This is used to locate examples of objects and classify them. A lot of researchers in this have examined and presented several methods based on machine learning. Now within the high speed of development for algorithms of deep learning to object detection, many researchers have proposed their methods based on these algorithms. But despite the many benefits of deep learning algorithms, these algorithms still have many challenges that require special attention from researchers. In general, deep learning algorithms are very sensitive to the weight of their layers. In a way that fine-tuning these weights can improve the quality of object recognition in them. In this dissertation, our goal is to create a system to increase a quality of weights for algorithm of deep learning to detect objects in the data set using an optimization algorithm called the Gray Wolf Algorithm (GWO), which is ultimately based on the output results. The quality and robustness of deep learning algorithms are improved and the diagnostic results are more accurate.

تعيين و رديابي هدف , شبكه هاي عصبي

TARGET DETERMINATION AND TRACKING, NEURAL NETWORKS , neural networks

Montazer Seyed Mohammad Alhamrani

Dr. Majid Rajabi