HM-net: یک شبکه رگرسیون برای تشخیص و ردیابی مرکز شی در تصاویر حرکتی منطقه وسیع
| عنوان | HM-net: یک شبکه رگرسیون برای تشخیص و ردیابی مرکز شی در تصاویر حرکتی منطقه وسیع |
|---|---|
| نویسنده | Motorcu، Hakkı، Ateş، H. F.، Uğurdağ، Hasan Fatih، Güntürk، B. K. |
| تاریخ انتشار: | 2022 |
| محل انتشار | - IEEE |
| موضوع | شبکه های عصبی عمیق، تشخیص اشیا، ردیابی، تصاویر حرکتی منطقه وسیع |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 2169-3536 |
| شماره ثبت | f6c120f4-d664-479c-9574-68e56949006d |
| محل کتابخانه | مهندسی برق و الکترونیک |
| تاریخ | 2022 |
| متن نمونه | تصاویر حرکتی با منطقه وسیع (WAMI) تصاویری با وضوح بالا با تعداد زیادی از اشیاء بسیار کوچک ارائه می دهد. اشیاء هدف دارای جابجایی های فضایی زیادی در سراسر فریم های متوالی هستند. این ماهیت تصاویر WAMI ردیابی و تشخیص اشیا را چالش برانگیز می کند. در این مقاله، ما مدل تشخیص و ردیابی شی ترکیبی مبتنی بر شبکه عصبی عمیق خود، یعنی شبکه نقشه حرارتی (HM-Net) را ارائه میکنیم. HM-Net به طور قابلتوجهی سریعتر از پیشرفتهترین روشهای مبتنی بر تفریق فریم و پسزمینه است، بدون اینکه عملکردهای تشخیص و ردیابی به خطر بیفتد. HM-Net از پارادایم تشخیص و ردیابی مشترک مبتنی بر مرکز شی پیروی می کند. پیشبینیهای ساده مبتنی بر نقشه حرارتی از تعداد نامحدودی تشخیص همزمان پشتیبانی میکنند. روش پیشنهادی از دو فریم متوالی و نقشه حرارتی تشخیص شی بهدستآمده از فریم قبلی به عنوان ورودی استفاده میکند، که به HM-Net کمک میکند تغییرات مکانی-زمانی بین فریمها را نظارت کند و اشیاء پیشبینیشده قبلی را پیگیری کند. اگرچه استفاده مجدد از نقشه حرارتی تشخیص شی قبلی به عنوان یک عنصر حافظه مبتنی بر بازخورد حیاتی عمل می کند، اما می تواند منجر به افزایش ناخواسته تشخیص های مثبت کاذب شود. HM-Net برای افزایش استحکام روش در برابر موارد مثبت کاذب و حذف تشخیصهای با اطمینان پایین، از فیلترهای بازخورد جدید و افزایش دادههای پیشرفته استفاده میکند. HM-Net با امتیازات 96.2% F1 و 94.4% تشخیص mAP از روشهای تشخیص و ردیابی شی متحرک WAMI در مجموعه دادههای WPAFB بهتر عمل میکند، در حالی که امتیاز ردیابی mAP 61.8% را در همان مجموعه داده به دست میآورد. این عملکرد مربوط به بهبود 2.1٪ برای F1، 6.1٪ برای امتیازات mAP در تشخیص، و 9.5٪ برای امتیاز mAP در ردیابی بیش از پیشرفته ترین است. |
| DOI | 10.1109/ACCESS.2021.3138980 |
| Cilt | 10 |
