آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,373 |
| تعداد مقالات | 16,875 |
| تعداد مشاهده مقاله | 54,326,251 |
| تعداد دریافت فایل اصل مقاله | 17,033,061 |
آشکارسازی خط مسیر حرکت خودرو در حضور اختفاء با استفاده از شبکه عصبی عمیق | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 18 خرداد 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2025.66183.4982 | ||
| نویسندگان | ||
| علیرضا رحیمی بیدمشگی؛ علیرضا بهراد* | ||
| دانشکده فنی مهندسی، دانشگاه شاهد | ||
| چکیده | ||
| آشکارسازی خطوط مسیر حرکت خودرو یکی از ا جزاء مهم در توسعه خودروهای خودران است که امکان شناسایی مسیرهای رانندگی به صورت بیدرنگ و رعایت مقررات ترافیکی را فراهم می‌سازد. با وجود عملکرد امیدوارکننده مدلهای فعلی در محیط‌های کنترل‌شده، این مدل‌ها اغلب با چالش‌های قابل توجهی در سناریوهای واقعی مانند کاهش دید خطوط به دلیل برف، گرد و غبار، ترافیک یا عدم وجود علامت‌گذاری خطوط مواجه می‌شوند. این مقاله یک روش جدید برای آشکارسازی خطوط مسیر حرکت خودرو ارائه می‌دهد که ویژگی‌های مکانی-زمانی فریم‌های ویدیویی را با استفاده از شبکه‌های حافظه کوتاه بلندمدت (LSTM) و شبکه‌های عصبی کانولوشنال (CNN) ترکیب می‌کند تا عملکرد را در شرایط وجود اختفاء بهبود بخشد. با نمایش تشخیص خطوط به عنوان یک مسئله یادگیری متوالی، شبکه ترکیبی CNN-LSTM به طور موثری ویژگی‌های مکانی-زمانی را استخراج می‌کند. این معماری اطلاعات مکانی و زمانی را ادغام می‌کند و در نتیجه مقاومت در برابر اختفاء و شرایط نوری متغیر را افزایش می‌دهد. مدل پیشنهادی تحت دو شرایط اختفادی کم و زیاد و با استفاده از مجموعه‌داده‌های مختلف، ارزیابی شد. و با معماری پایه مقایسه شد که نتایج، اثربخشی روش پیشنهادی را تأیید می‌کند. در شرایط کم اختفاء، مدل به امتیاز F1 حدود ۹۶٪ دست می‌یابد که مشابه روش پایه است. در مقابل، مدل پایه در شرایط موانع زیاد با کاهش عملکرد مواجه می‌شود، در حالی که مدل پیشنهادی مقاوم باقی می‌ماند و به امتیاز F1 حدود ۹۶٪ دست می‌یابد. | ||
| کلیدواژه‌ها | ||
| آشکارسازی خطوط مسیر حرکت خودرو؛ مدلهای عمیق؛ LSTM؛ Resnet؛ اختفای زیاد | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||