ارائه روشی بهینه جهت تشخیص عابران پیاده در هوای مه آلود در خودروهای خودران با استفاده از روش یادگیری عمیق

چکیده مقاله

یکی از مهمترین مشکلات موجود در حوزه خودروهای خودران، تشخیص موثر و دقیق عابرپیاده است از طرفی وجود شرایط مختلف محیطی نظیر: شرایط آب و هوایی، روشنایی متفاوت محیط در ساعات مختلف شبانه روز، تراکم و شلوغی خیابان ها و از کارایی سیستم های تشخیصی میکاهد هدف از این مقاله ارائه و بررسی عملکرد معماری Yolov4 ،که در حال حاضر جزو جدیدترین متدهای یک مرحله ای شناسایی موضوع و پردازش تصویر میباشد، در تشخیص عابرپیاده تحت دو شرایط مختلف آب و هوایی بوده است یکی از دیتاست های استفاده شده Inria مربوط به عا برین پیاده در شرایط روشنایی معمول و دیتاست دیگر Hazy Pedestrian شامل تصاویر عابران پیاده در هوای مه آلود میباشد استفاده از شبکه پایه2 CSPDarknet53 و شبکه خروجیYolov3 3 در این بررسی، نشان میدهد این مدل با ارائه دقتی بالاتر از %95 در هر دو دیتاست یکی از بهترین گزینه ها جهت استفاده در موضوع شناسایی عابرین پی اده میباشد

کلیدواژه‌ها

نویسندگان

محمدامین رمضان دهنوی

دانشجو کارشناسی، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران

امیرعباس حمیدی ایمانی

دانشجو دکتری، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران

شهریار برادران شکوهی

دانشیار، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، تهران نارمک دانشگاه علم و صنعت ایران

�مضان دهنوی، محمدامین و حمیدی ایمانی، امیرعباس و برادران شکوهی، شهریار،1399،ارائه روشی بهینه جهت تشخیص عابران پیاده در هوای مه آلود در خودروهای خودران با استفاده از روش یادگیری عمیق،اولین کنفرانس پیشرفت های اخیر و روندهای آینده در صنعت خودرو،تهران

ارائه‌شده در

مجموعه مقالات اولین کنفرانس پیشرفت های اخیر و روندهای آینده در صنعت خودرو2 دی 1399 · تهران