روش بهبود یافته تشخیص جاده با استفاده از یادگیری نیمه نظارتی و شبکه های عصبی عمیق مولد رقابتی کانولوشنی

شبکه های عصبی عمیق برای کاربردهای متفاوتی در زمینه ادراک ماشین نظیر بینایی ماشین در حوزه خودروهای خودران به کار گرفته شده است . یکی از زیرسامانه های خودروهای بدون راننده، سامانه تشخیص جاده است. در این مقاله با رویکرد قطعه بندی معنایی تصویر روشی برای تشخیص جاده با استفاده از شبکه های تمام متصل کانولوشنی متراکم1 طراحی میشود. یادگیری رقابتی و نیمه نظارتی نیز در روند طراحی به کار گرفته شدهاست. شبکه پیشنهادی با بهره گیری از تقسیم بندی معنایی نیمه نظارتی و یک شبکه رقابتی، دقت تقسیم بندی معنایی را نسبت به مدل پایه افزایش میدهد. همچنین دقت تشخیص جاده با استفاده از یک مدل کاهنده نویز افزایش یافته است. این افزایش دقت چه در محیطهایی که شبکه در آن آموزش دیده و چه در محیط جاده های جدید، مشاهده میشود. نشان داده میشود که با استفاده از شبکه های عصبی عمیق مولد رقابتی2 دقت مدل در طول استفاده از آن به طور پیوسته افزایش مییابد. نتیجه ارزشمندی که از کاربرد شبکه های مولد رقابتی برای تشخیص جاده حاصل میشود آن است که با افزودن پیوسته به تصاویر ورودی شبکه، روش پیشنهادی خاصیت تطبیق پذیری با محیطهای جدید را دارا خواهد بود.

Keywords:

تشخیص جاده , شبکه های عصبی عمیق کانولوشنی , شبکه های مولد رقابتی , یادگیری نیمه نظارتی