شناسایی خودروهای اضطراری مبتنی بر یادگیری عمیق به منظور استفاده در خودروهای بدون راننده

هدف از طراحی و ساخت خودروهای بدون راننده حذف عامل انسانی به منظور کاهش تلفات، هزینه ها و  نیز افزایش ایمنی خودرو با جایگزینی تجهیزات هوشمند است. امروزه با بهره مندی از فناوری های هوش مصنوعی و یادگیری ماشین شاهد پیشرفت های چشم گیری در صنعت حمل و نقل هوشمند به ویژه خودروهای تمام خودکار هستیم که با استفاده از حسگرهای پیشرفته و تکنیک بینایی ماشین قادر به تجزیه و تحلیل اطلاعات محیط پیرامون خود هستند. از چالش های مطرح در طراحی سیستم این نوع از خودروها، شناسایی درست سایر وسایل نقلیه ی اطراف مسیر حرکت خودرو است. در این مقاله، برای شناسایی خودروهای اضطراری یک روش مبتنی بر یادگیری عمیق ارائه شده است که فرایندهای استخراج ویژگی و طبقه بندی درآن به صورت همزمان انجام می شود. شبکه عمیق مورد استفاده در این پژوهش شبکه پیچشی می باشد. در شبکه های عصبی پیچشی دستیابی به نتایج قابل قبول وعملکرد مناسب، مستلزم در اختیار داشتن حجم عظیمی از داده ها برای آموزش شبکه می باشد. با توجه به محدود بودن تعداد تصاویر موجود در مجموعه داده مورد استفاده در این پژوهش و به منظور افزایش دقت شناسایی، از فرایند یادگیری انتقالی و شبکه پیش آموزش دیده  vgg16 نیز استفاده شده است. برای این تحقیق دو مجموع داده جدید ایجاد و در کنار دو مجموعه داده دیگر مورد آزمایش قرار گرفت. روش پیشنهادی با  چهار روش دیگر نیز مورد مقایسه قرار گرفت و نتایج به دست آمده نمایانگر کارایی بسیار خوب روش پیشنهادی است.

emergency vehicles recognition based on deep learning for driver-less cars

the purpose of design and building autonomous cars is to eliminate the human factor in order to reduce losses and costs and also increase safety by replacing smart equipment. todays, using artificial intelligence and machine learning, we are witnessing significant advances in the intelligent transportations, especially fully automated vehicles, which are able to analyze environmental information using advanced sensors and machine vision techniques. one of the challenges in designing such systems is a correct identification of other vehicles around the route of the vehicle. in this paper, a deep learning-based method for identifying emergency vehicles is presented in which feature extraction and classification processes are performed simultaneously. the deep network used in this research is a convolutional network. in convolutional neural networks (cnn), achieving acceptable results and proper performance requires having a huge amount of data for network training. due to the limited number of images in the data set used in this study and in order to increase the identification accuracy, transfer learning process and vgg16 pre-trained network have been used. two new datasets were created for this study and furthermore two other known datasets were also examined. the proposed method was compared with four other known methods from the literature, where the final results showed supremacy of the proposed approach.