چکیده مقاله
نظارت بر مناطق وسیع دریایی به منظور اهداف امنیتی، تجاری و زیست محیطی، نیازمند ابزارهای خودکار و دقیق است تصاویر رادار با روزنه مصنوعی SAR به دلیل قابلیت تصویربرداری در تمام شرایط آب و هوایی، ابزار اصلی در این حوزه محسوب می شوند با این حال، تشخیص کشتی در این تصاویر به دلیل وجود نویز، ابعاد متغیر اهداف و پس زمینه های پیچیده، یک چالش اساسی است در این پژوهش، به ارزیابی عملکرد یکی از جدیدترین معماری های یادگیری عمیق، یعنی YOLOv۱۲m، برای تشخیص کشتی بر روی مجموعه داده جامع و عمومی iVision MRSSD پرداخته ایم مدل YOLOv۱۲m که بر روی مجموعه داده COCO پیش آموزش دیده بود، با استفاده از ۸۱۱۲ تصویر آموزشی از این مجموعه داده تخصصی، مورد تنظیم دقیق قرار گرفت نتایج نهایی بر روی ۱۱۶۰ تصویر آزمون نشان می دهد که مدل به مقدار میانگین دقت متوسط mAP در آستانه IoU=۰ ۵ برابر با ۰ ۹۶۳ و در آستانه های ۰ ۵ تا ۰ ۹۵ برابر با ۰ ۶۴۳ دست یافته است که این نتایج، کارایی بالای مدل های با ظرفیت متوسط از خانواده YOLO را برای کاربردهای نظارت دریایی در دنیای واقعی به اثبات می رساند
کلیدواژه‌ها
نویسندگان
محمد ابراهیمی
دانش آموخته کارشناسی ارشد سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
حامد کاچار
دانش آموخته کارشناسی ارشد سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
شیوه ارجاع
�براهیمی، محمد و کاچار، حامد،1404،ارزیابی عملکرد مدل YOLOv۱۲m در شناسایی کشتی از تصاویر SAR،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران