مقايسه شبكه ‏هاي عميق Faster RCNN و RetinaNet جهت تشخيص خودرو در آب‌ و هواي نامساعد

تشخيص وسايل نقليه و رديابي آن، نقش مهمي در اتومبيل ‏هاي خودران و سيستم‌هاي حمل‌ و نقل هوشمند ايفا مي‌كند. شرايط آب‌ و هوايي نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با كاهش ديد دوربين، محدوديت‌هاي خطرناكي ايجاد كرده و بر عملكرد الگوريتم‌هاي تشخيصي استفاده‌شده در سيستم‌هاي نظارت بر ترافيك و برنامه‌هاي رانندگي خودكار تأثير مي‌گذارد. در اين مقاله از شبكه عميق تشخيص اشياي Faster RCNN با هسته 50ResNet و شبكه RetinaNet استفاده شده و دقت اين دو شبكه جهت تشخيص خودرو در آب‌وهواي نامساعد مورد بررسي قرار مي‏گيرد. پايگاه داده مورد استفاده، فايل DAWN مي‌باشد كه شامل تصاوير دنياي واقعي است و با انواع مختلفي از شرايط آب‌وهوايي نامطلوب جمع‌آوري شده‌اند. نتايج به‌دست‌آمده نشان مي‏دهند كه روش ارائه‌شده در بهترين حالت، دقت تشخيص را از %0/2 به %75 افزايش داده و بيشترين ميزان افزايش دقت نيز مربوط به شرايط باراني مي‌باشد. تمام پردازش‏ها به زبان پايتون و در گوگل كولب انجام شده است.