شناسایی و ردیابی همزمان اشیا با استفاده از یادگیری عمیق

شناسایی و ردیابی همزمان اشیا و وسایل نقلیه با استفاده از یادگیری عمیق به عنوان یک موضوع پژوهشی جدید، در طی سالهای اخیر بسیار مورد توجه قرار گرفته است این موضوع یکی از حوزههای فعالیت محققان در زمینه هوش مصنوعی و داده کاوی است. برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه نیاز است تا الگوریتمی طراحی شود که بتواند از تصاویر و ویدئوها اطلاعات کافی را برای شناسایی اشیا بدست آورد و سپس عملیات ردیابی انجام شود ردیابی اشیا به وسیله تشخیص اشیا، مستلزم آن است که . جسم در اولین فریم و در تمام فریمهای بعدی با موفقیت شناسایی شود با توجه به پیچیدگی و تنوع اشیا و وسایل نقلیه، استفاده از یادگیری عمیق به عنوان روش اصلی برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه تبدیل به یک روش بسیار موثر و قابل قبول در این زمینه شده است یادگیری عمیق به کمک شبکه های عصبی میتواند امکان شناسایی و ردیابی همزمان اشیا و وسایل نقلیه را فراهم آورد بدین گونه که با مرتبط سازی نتایج حاصل شده از شناسایی ،اشیا، عملیات ردیابی توسط خط لوله پیشنهادی tpn انجام گرفت و یک شبکه ردیاب (tracknet) ارائه شد. این شبکه ردیاب میتواند یک شی متحرک و در حال حرکت را که محصور شده است با استفاده از شبکه عصبی کانولوشن (cnn) بهبود یافته شناسایی کند دلیل این امر تشخیص مستقیم لوله های باندینگ است ،بعلاوه در این مقاله چندین شبکه ردیاب برای چالشهای موجود در مجموعه داده های ویدئویی ua-detrac که شامل 10 ساعت ویدئو برای ردیابی اشیا و وسایل نقلیه است مورد آزمایش قرار گرفت . در نهایت استفاده از یادگیری عمیق و شبکه ردیاب پیشنهادی به عنوان روش اصلی برای شناسایی و ردیابی همزمان اشیا و وسایل نقلیه باعث میشود که این فرایند با سرعت و دقت بالاتری انجام شود؛ به طوری که نرخ دقت روش پیشنهادی، 98٫2 درصد است که حداقل 13 درصد بهبود دقت نسبت به روشهای قبلی داشته است.

simultaneous identification and tracking of objects using deep learning

identifying objects, tracking objects and predicting time series are among the basic challenges in machine vision. deep learning has taken great steps in solving these challenges; but for many problems, satisfactory solutions that have useful applications in reality and can be used have not yet been found. in this issue, we are facing two challenges of tracking and identifying objects, and to solve this problem, it is proposed to find limiting tubes for the movement of objects in the space-time domain. usually, object tracking and object detection are considered as two separate processes, which have been greatly improved through deep learning for 2d images. object tracking by object detection requires that the object is successfully detected in the first frame and in all subsequent frames, and thus, by associating the results obtained from object detection, we performed the tracking operation by the tpn pipeline. the operation of identifying objects and tracking objects through a single network is still challenging and debatable. in this paper, a network structure is proposed that was able to identify a moving and moving object that was enclosed, using r-cnn faster. in this network, we replaced tpn with rpn, and this led to better object identification and improved tracking. in this method, we tracked objects using object detection operations.