یادگیری عمیق ترکیب با شبکه عصبی شعاعی جهت طبقه بندی خودروها و شدت تصادفات
عنوان مقاله: یادگیری عمیق ترکیب با شبکه عصبی شعاعی جهت طبقه بندی خودروها و شدت تصادفات
شناسه ملی مقاله: TTC17_149
منتشر شده در هفدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک در سال 1396
شناسه ملی مقاله: TTC17_149
منتشر شده در هفدهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک در سال 1396
مشخصات نویسندگان مقاله:
علی پاشایی - دانشجوی کارشناسی ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر
مهدی قطعی - دانشیار گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر
هدیه ساجدی - استادیار گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، پردیس علوم، دانشگاه تهران
خلاصه مقاله:
علی پاشایی - دانشجوی کارشناسی ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر
مهدی قطعی - دانشیار گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر
هدیه ساجدی - استادیار گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، پردیس علوم، دانشگاه تهران
یکی از ابزار های کاربردی برای برر سی ویژ گی های تصادفات رانندگی تصاویر مربوط به صحنه تصادف میبا شد. ویژ گی هایی که از ا ین تصاویر می توان ا ستخراج کرد کمک ز یادی در بهبود مدیریت تصادفات و کاهش ز مان ا مداد ر سانی به آ سیب د یدگان می نما ید. یکی از این ویژگیها نوع وسیله نقلیه درگیر در صحنه ت صادفات می با شد. از سوی دیگر یادگیری عمیق که مهم ترین نوع آن شبکه عصبی پیچشی ا ست، قدرت بسیارز یادی در شنا سایی ویژ گی های تصاویر دارد. در ا ین مقاله یک سیستم طبقه بندی بر اساس 3 روش استخراج ویژگی شامل: -1 ویژگی های تصویری، -2 شبکه عصبی پیچشی، -3 شبکه پیچشی ترکیبی تعریف می گردد. در حالت سوم خروجی شبکه ی پیچشی به الگوریتم های طبقه بندی ماشین بردار پشتیبان، پرسپترون چند لایه و شبکه عصبی شعاعی ارسال می شود. ارزیابی های به عمل آمده روی داده های صحنه تصادفات شامل 3567 تصویر، نشان مید هد که ا ستخراج ویژ گی به کمک شبکه پیچشی ترکیبی به ترین نتایج را به همراه دا شته ا ست. نتایج حا صله نشان می د هد که برای شنا سایی نوع خودرو ا ین الگوریتم دارای دقت 86/54 و برای شناسایی شدت صدمات وارده دارای دقت 99/39 می باشد. به علاوه الگوریتم پیشنهادی خودرو های غیر درگیر در تصادف را بادقت 98/91%طبقه بندی می کند که قابل مقایسه با بهترین الگوریتم های قبلی می باشد
کلمات کلیدی: تحلیل تصاویرتصادفات،یادگیری عمیق،شبکه عصبی پیچشی،استخراج ویژگی،شبکه عصبی شعاعی،انتخاب ویژگی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/759269/