مقایسه شبکه ‏های عمیق faster rcnn و retinanet جهت تشخیص خودرو در آب‌ و هوای نامساعد

تشخیص وسایل نقلیه و ردیابی آن، نقش مهمی در اتومبیل ‏های خودران و سیستم‌های حمل‌ و نقل هوشمند ایفا می‌کند. شرایط آب‌ و هوایی نامساعد مانند حضور برف سنگین، مه، باران و گرد و غبار با کاهش دید دوربین، محدودیت‌های خطرناکی ایجاد کرده و بر عملکرد الگوریتم‌های تشخیصی استفاده‌شده در سیستم‌های نظارت بر ترافیک و برنامه‌های رانندگی خودکار تاثیر می‌گذارد. در این مقاله از شبکه عمیق تشخیص اشیای faster rcnn با هسته 50resnet و شبکه retinanet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آب‌وهوای نامساعد مورد بررسی قرار می‏گیرد. پایگاه داده مورد استفاده، فایل dawn می‌باشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آب‌وهوایی نامطلوب جمع‌آوری شده‌اند. نتایج به‌دست‌آمده نشان می‏دهند که روش ارائه‌شده در بهترین حالت، دقت تشخیص را از %0/2 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی می‌باشد. تمام پردازش‏ها به زبان پایتون و در گوگل کولب انجام شده است.