تشخیص بلادرنگ نوع خودرو با استفاده از طبقه‌بند مبتنی بر شبکه کانولوشن و ادغام موجک هار

در سال های اخیر، طبقه بندی بلادرنگ نوع خودرو، به دلیل کاربردش در کنترل و تحلیل ترافیک، از موضوعات جذاب و بسیار پرکاربرد بوده است. با توجه به محدودیت تعداد نمونه ای آموزشی برچسب دار باکیفیت، تغییرات در وضعیت زاویه ای خودرو و دوربین، کیفیت و وضوح تصویر، نور و شرایط آب و هوایی، دقت تشخیص از چالش های مهم در سیستم های تشخیص نوع خودرو می باشد. در این مقاله، یک شبکه ی کانولوشن بلادرنگ جدید برای تشخیص نوع خودرو ها با دقت بالا معرفی شده است. در ساختار عصبی پیشنهادی، لایه ی ادغام جدید با استفاده از تبدیل موجک هار علاوه بر کاهش ابعاد نقشه ی ویژگی خروجی از لایه ی کانولوشن، قابلیت استخراج ویژگی را نیز دارد. نوآوری دیگر ساختاری، استفاده از بلوک های فشار-تحریک قبل از لایه های کانولوشن میانی می باشد که موجب بالارفتن دقت بازشناسی می شود. علاوه براین، در الگوریتم یادگیری پس انتشار، با اصلاح روش به روز رسانی وزن ها، از طریق تغییر ساختار بهینه سازها، پایداری بیشتر شبکه و بالا تر رفتن دقت بازشناسی حاصل شده است. روش پیشنهادی روی دو مجموعه داده ی irvd و مجموعه mio-tcd ارزیابی شده است. نتایج ارزیابی نشان می دهند که ساختار پیشنهادی در مقایسه با ساختار های کانولوشن رایج، از نظر معیار های طبقه بندی، عملکرد بهتری داشته است.

real-time vehicle type recognition using a convolution and haar wavelet pooling based classifier

over the past few years, real-time classification of vehicle types has become an increasingly popular and important topic, given its wide range of applications in traffic control and analysis. among the various methods available for classifying car types, convolutional neural networks (cnns) have emerged as particularly appealing. in this article, we introduce a new real-time cnn architecture that is specifically designed to detect different types of cars. this innovative structure incorporates several unique features, including novel network architecture and structural elements, as well as an advanced learning method based on the back-propagation algorithm. one key aspect of our proposed method is its use of feature extraction at three different locations within the network, which allows for more accurate and efficient classification of car types. to evaluate the performance of our approach, we conducted experiments on two popular datasets (irvd and mio-tcd), and compared our results against those obtained using traditional cnn structures. our evaluation results demonstrate that our proposed cnn architecture outperforms existing approaches, achieving superior classification accuracy across a range of criteria. overall, our work represents a significant advance in the field of real-time car type classification, with broad implications for traffic management and analysis.