تشخیص و طبقه بندی شی تک شات با استفاده از جنگل تصمیم تصادفی مبتنی بر ویژگی HAAR
| عنوان | تشخیص و طبقه بندی شی تک شات با استفاده از جنگل تصمیم تصادفی مبتنی بر ویژگی HAAR |
|---|---|
| نویسنده | ماخودوف، نکروزیون |
| تاریخ انتشار: | 2017-05 |
| موضوع | مهندسی کامپیوتر، علوم کامپیوتر |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 583633b4-efd8-45a7-b5fc-9d68d192e8b3 |
| محل کتابخانه | گروه علوم کامپیوتر |
| تاریخ | 2017-05 |
| متن نمونه | تشخیص و ردیابی اشیا برای دهه ها مورد مطالعه قرار گرفته و الگوریتم های زیادی معرفی شده است. با افزایش تعداد دوربین های نظارتی، تشخیص و ردیابی اشیاء مبتنی بر بینایی به یک وظیفه مهم تبدیل شد. با این حال، نرخ های هشدار کاذب هنوز یک مسئله است که باید در سناریوهای مدیریت شده توسط اپراتور انسانی حل شود. با افزایش دقت و صحت، نرخ هشدار کاذب قابل کنترل تر می شود. در این پایان نامه، یک سیستم جدید برای تشخیص تک شات و طبقه بندی شی در تصاویر معرفی شده است. برای این منظور، جنگلهای تصمیم تصادفی (RDF) را با استفاده از ویژگیهای Haar مانند پیادهسازی کردیم. محاسبه ویژگی RDF و Haar-like که بر روی GPU پیادهسازی شدهاند به دلیل سرعت زمان تست خود شناخته شدهاند. بنابراین، ما از RDF ها برای طبقه بندی اشیاء در سطح پیکسل استفاده می کنیم، روشی که به دلیل عملکرد متعادل آن در زمان تست هم از نظر سرعت و هم کیفیت شناخته شده است. افزایش دقت با انجام آزمایشها بر روی مجموعه دادههای MNIST، INRIA و PETS09 نشان داده میشود. به عنوان یک کاربرد نمایشی، ما از RDF پیشنهادی برای تشخیص و ردیابی وسایل نقلیه در جاده استفاده کردیم. یک الگوریتم متوالی مبتنی بر روش مونت کارلو، همچنین به عنوان فیلتر ذرات (PF) شناخته می شود، برای ردیابی اشیاء شناسایی شده پیاده سازی شده است. برای فرآیندهای غیر خطی و غیر گاوسی، PF یک متدولوژی قدرتمند است و اجرای آن بر روی GPU با RDF آسان و ترجیح داده می شود. سیستم پیشنهادی بر سرعت واقعی الگوریتم در رایانههای معمولی تأکید دارد. در مقایسه با YOLO (شما فقط یک بار نگاه می کنید)، روش ما دقت تشخیص خودرو و سرعت محاسباتی قابل مقایسه ای را در یک کامپیوتر معمولی نشان می دهد. علاوه بر این، ما در حال معرفی یک چارچوب جدید هستیم که در آن الگوریتمهای ردیابی مختلف را میتوان پیادهسازی و آزمایش کرد. ماژول های مختلفی برای استخراج داده ها، تولید داده ها، الگوریتم های آموزش و آزمایش با پارامترهای مختلف ارائه می دهد. استفاده از ماژول ها در چارچوب نیز مورد بحث قرار گرفته است. Bu araştırmalar dahilinde nesne algılama ve takip problemleri birçok yönü ile incelenmiştir, fakat otomatik alarm üretimi problemleri için başarım oranı daha yüksek izleme algoritmalarına halen ihtiyaç duyulmaktadır. گؤزتیم سیستملرینین یانلیش آلارم ورمسی، اینسان اپراتورلره دیالی سیستملرده هنوز تمامن چوزولممیش بیر مشکلدیر. نسن تانیما خوباریمینین آرتماسی، یانلیش آلارم وریلن دوروملارین آزالماسینا ندن اولمکتادیر. Bu tez kapsamında resimde bulunan objeleri tek-seferde saptayan ve sınıflandıran bir yöntem geliştirilmiştir. راستگله کرار اورمانلارینین (RDF) تست hızının oldukça yüksek olduğu bilinmektedir. بو بغلامدا، اونریلن سیستم پیکسل سئویهسینده اوجه سینیفلاندیرما ایشلمینی RDF ile yapmaktadır. Kullanılan RDF'in performansını arttırmak amacı ile Haar benzeri öznitelikleri kullanan bir RDF geliştrilimiştir. Haar özniteliklerinin kullanan RDF'in performansı arttırdığı el yazısı ile yazılmış olan rakamlardan oluşan MNIST، insan resimleri içeren INRIA ve PETS09 veritabanları üzerinde yapılan testermişirö g. Örnek bir uygulama alanı olarak, önerilen RDF araç saptama ve takibi problemi üzerinde test edilmiştir. Saptanan objeleri takip etmek için Sıralı Monte Carlo, diğer adıyla Parçacık Filtresi (PF) uygulanmıştır. ساپتاما آشاماسیندا هر بیر پیکسل ایچین الده ادیلن اولابیلیرلیک دغرلری ایله parçacıkların ağırlıkları hesaplanmıştır. PF kullanılmasının temel nedeni، Gauss ve çizgisel olmayan işlemler için güçlü bir algoritma olmasının yanı sira RDF gibi GPU'ya uygun bir yapıya sahip olmasıdır. Önerilen takip sistemi standard bilgisayarlarda gerçek zamanlı uygulamaya ağırlık vermektedir. YOLO ile kıyaslandığında, önerilen yöntem araç saptama başarımında yakın بیر اجراها سونارکن، استاندارد بیلگیسایارلاردا داها یوکسک بیر هیزا صهیپ اولدوغو گوزلملنمیشتیر. Önerilen sisteme ek olarak bu tez kapsamında، farklı algoritmaları uygulamak ve test etmek için bir frame geliştirilmiştir. بو فریمورک، veri özütleme، veri oluşturma، الگوریتم اغیتیمی و الگوریتمالری دگیشک پارامترلرله تست etmek için tasarlanan modüllerden oluşmaktadır. Tez içeriğinde modüllerin kullanımı ve fonksyonları anlatılmıştır. |
