آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق

الگوریتم تشخیص شی yolo، یکی از مشهورترین و پرکاربردترین الگوریتم‌های تشخیص اشیا در حوزه بینایی ماشین است. این الگوریتم با استفاده از تصاویر آموزشی فراوان، آموزش می‌بیند و می‌تواند در شناسایی اهداف عملکرد قابل توجهی داشته باشد. با این حال، در شرایط خاصی مانند فضای نظامی، پزشکی و محیط‌های خطرناک که به دست آوردن تصاویر واقعی اهداف زمان‌بر و چالش برانگیز است، محدودیت‌هایی وجود دارد که محققان را به دنبال راهکارهای جایگزین برای رفع مشکل کمبود داده و افزایش دقت الگوریتم می‌کند. یکی از راهکارهای جدید برای حل این مشکل، استفاده از داده‌های مصنوعی تولید شده توسط موتورهای بازی‌سازی است. این روش نوآورانه‌ای است که با کاهش وابستگی به داده‌های واقعی، عملکرد و دقت الگوریتم را بهبود می‌بخشد. با استفاده از داده‌های مصنوعی، محدودیت تعداد داده‌های آموزشی برای الگوریتم برطرف می‌شود و عملکرد الگوریتم در شرایط پیچیده و خطرناک بهبود می‌یابد. همچنین، استفاده از داده‌های مصنوعی منجر به کاهش زمان، نیروی انسانی و هزینه مورد نیاز برای جمع‌آوری داده می‌شود. به‌طورکلی، استفاده از داده‌های مصنوعی به‌عنوان راهکار جایگزین در آموزش الگوریتم تشخیص شی، به دلیل مزایایی نظیر کاهش زمان، کاهش نیروی انسانی و کاهش هزینه، مورد توجه محققان و کاربران قرار گرفته است. برای رسیدن به عملکرد مطلوب در شناسایی تانک، از داده‌های مصنوعی تولید شده توسط موتور بازی‌سازی unreal engine استفاده شده است. مجموعه داده تولیدی بر روی چهار نسخه شبکه yolov5، یعنی yolov5s،yolov5m ،yolov5l و yolov5x، تست شده و نتایج آنها گزارش شده است.

target detection in ground based images with limited dataset based on deep learning

the yolo object detection algorithm is one of the most famous and widely used algorithms in the field of computer vision. this algorithm learns from abundant training images and can achieve remarkable performance in target detection. however, in special conditions such as military, medical, and hazardous environments where acquiring real target images is time consuming and challenging, there are limitations that researchers seek alternative solutions to address the data scarcity issue and improve the accuracy of the algorithm. one innovative approach to solving this problem is the use of artificially generated data produced by game engines. this method reduces the reliance on real data and improves the performance and accuracy of the algorithm. by utilizing synthetic data, the limitation of the number of training data for the algorithm is overcome, and the algorithm's performance in complex and dangerous conditions is enhanced. additionally, the use of synthetic data leads to a reduction in time, human resources, and costs required for data collection. in general, the use of synthetic data as an alternative solution in training object detection algorithms has gained attention from researchers and users due to advantages such as time reduction, reduction in human resources, and cost reduction. to achieve desirable performance in tank identification, artificially generated data produced by the unreal engine game engine has been used. the generated dataset has been tested on four versions of the yolov5 network, namely yolov5s, yolov5m, yolov5l, and yolov5x, and their results have been reported.