شناسایی نوع و مدل وسیله نقلیه با ترکیبی از مدل های مبتنی بر بخش
Publish place: Conference on Signal Processing and Intelligent Systems
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,028
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
SPIS02_001
Index date: 1 July 2017
شناسایی نوع و مدل وسیله نقلیه با ترکیبی از مدل های مبتنی بر بخش abstract
طبقه بندی دقیق اشیاء (Fine-Grained Recognition) چالشی است که جامعه بینایی ماشین در حال حاضر با آن روبه رو است. در این نوع طبقه بندی، گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است؛ شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می گیرد. این مسیله به دلیل وجود تعداد کلاسهای زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقه بندی دشوار به شمار میرود. در این مقاله روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو پیشنهاد شده است. این روش برای طبقه بندی کلاس های مختلف خودرو، ابتدا بخش های متمایز کننده هر کلاس را به صورت خودکار تعیین می کند. سپس با استخراج ویژگی از این بخش ها و رابطه هندسی بین آنها، یک مدل یاد میگیرد. وزن بخش های مختلف هر مدل به صورت پویا و با استفاده از مجموعه داده های آموزشی یاد گرفته می شود. برای آزمایش سیستم پیشنهادی و به دلیل عدم وجود مجموعه داده به اشتراک گذاشته شده، یک مجموعه داده با بیش از 5000 خودرو از 28 کلاس مختلف تهیه شده و به صورت کامل علامت گذاری گشته است. نتیجه آزمایشات انجام شده بر روی این تصاویر که دارای تغییرات روشنایی زیاد و تغییرات زاویه اندک هستند، نشان از دقت بالای روش پیشنهادی دارد.
شناسایی نوع و مدل وسیله نقلیه با ترکیبی از مدل های مبتنی بر بخش Keywords:
شناسایی نوع و مدل وسیله نقلیه با ترکیبی از مدل های مبتنی بر بخش authors
محسن بیگلری
دانشجوی دکتری، دانشکده مهندسی کامپیوتر و آی تی، دانشگاه صنعتی شاهرود
علی سلیمانی
دانشیار، دانشکده مهندسی کامپیوتر و آی تی، دانشگاه صنعتی شاهرود
حمید حسن پور
استاد، دانشکده مهندسی کامپیوتر و آی تی، دانشگاه صنعتی شاهرود
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :