شناسايي و رديابي همزمان اشيا با استفاده از يادگيري عميق

شناسايي و رديابي همزمان اشيا و وسايل نقليه با استفاده از يادگيري عميق به عنوان يك موضوع پژوهشي جديد، در طي سالهاي اخير بسيار مورد توجه قرار گرفته است اين موضوع يكي از حوزههاي فعاليت محققان در زمينه هوش مصنوعي و داده كاوي است. براي شناسايي و رديابي همزمان اشيا و وسايل نقليه نياز است تا الگوريتمي طراحي شود كه بتواند از تصاوير و ويدئوها اطلاعات كافي را براي شناسايي اشيا بدست آورد و سپس عمليات رديابي انجام شود رديابي اشيا به وسيله تشخيص اشيا، مستلزم آن است كه . جسم در اولين فريم و در تمام فريمهاي بعدي با موفقيت شناسايي شود با توجه به پيچيدگي و تنوع اشيا و وسايل نقليه، استفاده از يادگيري عميق به عنوان روش اصلي براي شناسايي و رديابي همزمان اشيا و وسايل نقليه تبديل به يك روش بسيار موثر و قابل قبول در اين زمينه شده است يادگيري عميق به كمك شبكه هاي عصبي ميتواند امكان شناسايي و رديابي همزمان اشيا و وسايل نقليه را فراهم آورد بدين گونه كه با مرتبط سازي نتايج حاصل شده از شناسايي ،اشيا، عمليات رديابي توسط خط لوله پيشنهادي TPN انجام گرفت و يك شبكه ردياب (TrackNet) ارائه شد. اين شبكه ردياب ميتواند يك شي متحرك و در حال حركت را كه محصور شده است با استفاده از شبكه عصبي كانولوشن (CNN) بهبود يافته شناسايي كند دليل اين امر تشخيص مستقيم لوله هاي باندينگ است ،بعلاوه در اين مقاله چندين شبكه ردياب براي چالشهاي موجود در مجموعه داده هاي ويدئويي UA-DETRAC كه شامل ۱۰ ساعت ويدئو براي رديابي اشيا و وسايل نقليه است مورد آزمايش قرار گرفت . در نهايت استفاده از يادگيري عميق و شبكه ردياب پيشنهادي به عنوان روش اصلي براي شناسايي و رديابي همزمان اشيا و وسايل نقليه باعث ميشود كه اين فرايند با سرعت و دقت بالاتري انجام شود؛ به طوري كه نرخ دقت روش پيشنهادي، ۹۸٫۲ درصد است كه حداقل ۱۳ درصد بهبود دقت نسبت به روشهاي قبلي داشته است.