ارائه روشی بهینه جهت تشخیص عابران پیاده در هوای مه آلود در خودروهای خودران با استفاده از روش یادگیری عمیق
Publish place: The first conference on recent developments and future trends in the automotive industry
Publish Year: 1399
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 650
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AIRAFT01_013
تاریخ نمایه سازی: 7 بهمن 1399
Abstract:
یکی از مهمترین مشکلات موجود در حوزه خودروهای خودران، تشخیص موثر و دقیق عابرپیاده است. از طرفی وجود شرایط مختلف محیطی نظیر: شرایط آب و هوایی، روشنایی متفاوت محیط در ساعات مختلف شبانه روز، تراکم و شلوغی خیابان ها و... از کارایی سیستم های تشخیصی میکاهد. هدف از این مقاله ارائه و بررسی عملکرد معماری Yolov4 ،که در حال حاضر جزو جدیدترین متدهای یک مرحله ای شناسایی موضوع و پردازش تصویر میباشد، در تشخیص عابرپیاده تحت دو شرایط مختلف آب و هوایی بوده است. یکی از دیتاست های استفاده شده )Inria ( مربوط به عا برین پیاده در شرایط روشنایی معمول و دیتاست دیگر )Hazy Pedestrian ( شامل تصاویر عابران پیاده در هوای مه آلود میباشد. استفاده از شبکه پایه2 CSPDarknet53 و شبکه خروجیYolov3 3 در این بررسی، نشان میدهد این مدل با ارائه دقتی بالاتر از %95 در هر دو دیتاست یکی از بهترین گزینه ها جهت استفاده در موضوع شناسایی عابرین پی اده میباشد.
Keywords:
Authors
محمدامین رمضان دهنوی
دانشجو کارشناسی، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران
امیرعباس حمیدی ایمانی
دانشجو دکتری، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران
شهریار برادران شکوهی
دانشیار، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران