+YOLODrone: معماری YOLO بهبود یافته برای تشخیص اشیا در تصاویر پهپاد

عنوان +YOLODrone: معماری YOLO بهبود یافته برای تشخیص اشیا در تصاویر پهپاد
نویسنده شاهین، او.، اوزر، سادات
تاریخ انتشار: 2022
محل انتشار - IEEE
موضوع یادگیری عمیق، تشخیص اشیا، پهپاد
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-166545092-8
شماره ثبت 3b371650-7ecd-4717-9c27-6c3299eb6aca
محل کتابخانه علوم کامپیوتر
تاریخ 2022
متن نمونه عملکرد الگوریتم‌های تشخیص شی که روی تصاویر گرفته شده از وسایل نقلیه هوایی بدون سرنشین (پهپادها) اجرا می‌شوند، در مقایسه با الگوریتم‌های تشخیص شی که روی تصاویر گرفته‌شده از زمین اجرا می‌شوند، محدود باقی می‌ماند. مدل های مبتنی بر YOLO به دلیل ویژگی های مختلف آن به عنوان بخشی از آشکارسازهای شی یک مرحله ای، در بسیاری از کاربردهای مبتنی بر پهپاد ترجیح داده می شوند. در این مقاله، ما پیشرفت‌های معماری جدیدی را برای معماری YO-LOv5 پیشنهاد می‌کنیم. پیشرفت‌های ما عبارتند از: (1) افزایش تعداد لایه‌های تشخیص و (ب) استفاده از ترانسفورماتورها در مدل. به منظور آموزش و آزمایش عملکرد مدل پیشنهادی ما، از مجموعه داده‌های VisDrone و SkyData در مقاله خود استفاده کردیم. نتایج آزمایش ما نشان می دهد که راه حل های پیشنهادی ما می تواند دقت تشخیص را بهبود بخشد.
DOI 10.1109/SIU55565.2022.9864746
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

+YOLODrone: معماری YOLO بهبود یافته برای تشخیص اشیا در تصاویر پهپاد

نویسنده شاهین، او.، اوزر، سادات
تاریخ انتشار 2022
محل انتشار - IEEE
موضوع یادگیری عمیق، تشخیص اشیا، پهپاد
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-166545092-8
شماره ثبت 3b371650-7ecd-4717-9c27-6c3299eb6aca
محل کتابخانه علوم کامپیوتر
تاریخ 2022
متن نمونه عملکرد الگوریتم‌های تشخیص شی که روی تصاویر گرفته شده از وسایل نقلیه هوایی بدون سرنشین (پهپادها) اجرا می‌شوند، در مقایسه با الگوریتم‌های تشخیص شی که روی تصاویر گرفته‌شده از زمین اجرا می‌شوند، محدود باقی می‌ماند. مدل های مبتنی بر YOLO به دلیل ویژگی های مختلف آن به عنوان بخشی از آشکارسازهای شی یک مرحله ای، در بسیاری از کاربردهای مبتنی بر پهپاد ترجیح داده می شوند. در این مقاله، ما پیشرفت‌های معماری جدیدی را برای معماری YO-LOv5 پیشنهاد می‌کنیم. پیشرفت‌های ما عبارتند از: (1) افزایش تعداد لایه‌های تشخیص و (ب) استفاده از ترانسفورماتورها در مدل. به منظور آموزش و آزمایش عملکرد مدل پیشنهادی ما، از مجموعه داده‌های VisDrone و SkyData در مقاله خود استفاده کردیم. نتایج آزمایش ما نشان می دهد که راه حل های پیشنهادی ما می تواند دقت تشخیص را بهبود بخشد.
DOI 10.1109/SIU55565.2022.9864746
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید