شناسایی و ردیابی همزمان اشیا با استفاده از یادگیری عمیق

Abstract

شناسایی و ردیابی همزمان اشیا و وسایل نقلیه با استفاده از یادگیری عمیق، به عنوان یک موضوع پژوهشی جدید، در طی سالهای اخیر بسیار مورد توجه قرار گرفتهاست. این موضوع، یکی از حوزههای فعالیت محققان در زمینه هوش مصنوعی و داده کاوی است. برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه، نیاز است تا الگوریتمی طراحی شود که بتواند از تصاویر و ویدئوها اطلاعات کافی را برای شناسایی اشیا بدست آورد و سپس عملیات ردیابی انجام شود. ردیابی اشیا بهوسیله تشخیص اشیا، مستلزم آن است که جسم در اولین فریم و در تمام فریمهای بعدی با موفقیت شناسایی شود. با توجه به پیچیدگی و تنوع اشیا و وسایل نقلیه، استفاده از یادگیری عمیق به عنوان روش اصلی برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه، تبدیل به یک روش بسیار موثر و قابل قبول در این زمینه شدهاست. یادگیری عمیق بهکمک شبکههای عصبی، میتواند امکان شناسایی و ردیابی همزمان اشیا و وسایل نقلیه را فراهم آورد. بدینگونهکه با مرتبطسازی نتایج حاصل شده از شناسایی اشیا، عملیات ردیابی توسط خط لوله پیشنهادی TPN انجام گرفت و یک شبکه ردیاب(TrackNet (ارائه شد. این شبکه ردیاب، میتواند یک شی متحرک و درحال حرکت را که محصور شدهاست، با استفاده از شبکه عصبی کانولوشن(CNN (بهبود یافته، شناسایی کند. دلیل این امر، تشخیص مستقیم لولههای باندینگ است. بعلاوه،در این مقاله، چندین شبکه ردیاب برای چالشهای موجود در مجموعه دادههای ویدئویی DETRAC-UAکه شامل ۱۰ ساعت ویدئو برای ردیابی اشیا و وسایل نقلیه است، مورد آزمایش قرار گرفت . در نهایت، استفاده از یادگیری عمیق و شبکه ردیاب پیشنهادی به عنوان روش اصلی برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه، باعث میشود که این فرایند با سرعت و دقت بالاتری انجام شود؛ بهطوری که نرخ دقت روش پیشنهادی، ۹۸٬۲ درصد است که حداقل ۱۳ درصد، بهبود دقت نسبت به روشهای قبلی داشتهاست.