توضیحات
چکیده
ترافیک شهری در حال حاضر یک مشکل مهم برای اکثر شهرهای متو سط و بزرگ ا ست. برای کاهش مشکلات نا شی از تراکم ترافیک، سیستم های حمل ونقل هو شمند ITS ، در سرا سر جهان گسترش مییابند . در این میان خودروها به علت حضور متداول در صحنه های شهری اهمیت بالایی دارند. با توجه به این مسله، تشخیص دقیق خودرو از اهمیت بالایی برخوردار است. شبکه های عصبی کانولوشنی یکی از مهمترین روش های یادگیری عمیق هستند که در ان ها چندین لایه اموزش داده میشوند. در میان روشهای دیگر شبکه های عصبی، شبکه های عمیق کانولو شنی دقت بالایی به خود اختصاص داده اند این شبکه ها نیز مشکلات خاص خود را دارند، از جمله این که تعداد زیاد پارامترها ممکن است سبب مشکل بیش برازش شود. یکی دیگر از مشکالت این است که با افزایش تعداد لایه ها زمان موزش افزایش مییابد. هم چنین اگر برای افزایش دقت عمیق شبکه را افزایش دهیم ممکن است دقت شبکه اشباع شود و سپس کاهش یابد. البته هر کدام از مشکلات ذکرشده راه حل مخصوص خود را دارند. در این مقاله سعی بر این بوده است از شبکه هایی استفاده شود تا با این مشکلات تا حد ممکن روبه رو نشویم.همچنین در این مقاله با هدف دسته بندی خودروها، ابتدا به صورت مختصر سه شبکه کانولو شنی مشهور AlexNet، VGG و ResNet برر سی کرده ایم. سپس هر سه شبکه را با تعداد لایه های متفاوت روی مجموعه تصاویر خودرو GTI و KITTI که شامل 8792 تصاویر از خودروها از جوانب مختلف هستند و 8968 تصاویر پرت که شامل خودرو نیستند، ارزیابی کرده ایم. که این ارزیابی روی سیستم با کارت گرافیک GEFORCE GTX 960M اجرا شده است.
ABSTRACT
Urban traffic is already a major problem for most cities and cities. In order to reduce traffic congestion, ITS carriers are expanding around the globe. In the meantime, cars are important because of their frequent presence on urban scenes. Due to this, accurate diagnosis of the vehicle is of great importance. Convulsional neural networks are one of the most important learning methods in which several layers are taught. Among other methods of neural networks, deep tunnels of the cannula have a high degree of precision. These networks also have their own problems, including the fact that a large number of parameters may cause problems. Another problem is that with increasing number of layers, the training time increases. Also, if we increase the network’s deep precision, network accuracy may be saturated and then reduced. Of course, each of these problems has their own solution. In this paper, we tried to use networks to avoid the problems as far as possible. Also, in this paper, with the aim of categorizing cars, first briefly describe the three famous Canuno sandwich networks AlexNet, VGG and ResNet, Bristol We’ve been Then we have evaluated all three networks with the number of layers on the GTI and KITTI car collection, which includes 8792 images of cars from different aspects and 8968 non-automotive images. This evaluation has been implemented on the system with the GEFORCE GTX 960M graphics card.
Year: 2018
Publisher : Third Annual National Conference on Electrical, Computer and Bioelectric Engineering in Iran
By : Fahimeh Hashempour Ghazani
File Information: persian Language/ 6 Page / size: 528 KB
Only site members can download free of charge after registering and adding to the cart
سال :1397
ناشر : سومین کنفرانس سالانه ی ملی مهندسی برق ,کامپیوتر و بیوالکتریک ایران
کاری از : فهیمه هاشم پور غازانی
اطلاعات فایل : زبان فارسی / 6 صفحه / حجم : KB 528
نقد و بررسیها
هنوز بررسیای ثبت نشده است.