دوره 4، شماره 4 - ( 10-1401 )                   جلد 4 شماره 4 صفحات 7-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjis.4.4.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mirfasihi S P, Ghazali S, Baradaran Shokouhi S. Designing and Implementing of Real-Time Intelligent System with the Ability to Identify and Classify Different Topics in Autonomous Vehicle. sjis 2022; 4 (4) :1-7
URL: http://sjis.srpub.org/article-5-172-fa.html
میرفصیحی سیدپارسا، غزالی سینا، یرادران شکوهی شهریار. طراحی و پیاده سازی سیستم هوشمند بلادرنگ با قابلیت شناسایی و طبقه بندی موضوعات مختلف در خودروهای خودران. نشریه مطالعات بین رشته ای. 1401; 4 (4) :1-7

URL: http://sjis.srpub.org/article-5-172-fa.html

طراحی و پیاده سازی سیستم هوشمند بلادرنگ با قابلیت شناسایی و طبقه بندی موضوعات مختلف در خودروهای خودران
سیدپارسا میرفصیحی ، سینا غزالی ، شهریار یرادران شکوهی*
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، ایران.
چکیده:   (802 مشاهده)
یادگیری عمیق شاخه‌ای از یادگیری ماشینی و هوش مصنوعی و مجموعه‌ای از الگوریتم‌ها است که سعی در مدل‌سازی مفاهیم انتزاعی سطح بالا با استفاده از یادگیری در سطوح و لایه‌های مختلف دارد. به دلیل دقت و کارایی بالا، از این الگوریتم ها در خودروهای خودران استفاده شده است. بسیاری از تصادفات رانندگی ناشی از خطاهای انسانی است. یکی از دلایل توجه به خودروهای خودران پیشگیری از این حوادث با حذف یا کاهش تداخلات انسانی و در نتیجه کاهش خسارات جانی و مالی است. همچنین صرفه جویی و استفاده بهینه از زمان عامل دیگری است که خودروهای خودران را به یکی از موضوعات مورد توجه تبدیل کرده است. یکی از مواردی که در خودروهای خودران اتفاق می افتد جمع آوری اطلاعات، پیش بینی و تصمیم گیری بر اساس داده های موجود است. در این مقاله شبکه‌های مبتنی بر مدل‌های SSD و Mask RCNN را با دو نوع معماری Inceptions و Resnet در قالب TensorFlow که یک کتابخانه منبع باز است، نمایش، بررسی، مقایسه و پیاده‌سازی می‌کنیم. در پایان جدولی با مقایسه این دو مدل و نمایش مشخصات آنها ارائه کرده ایم. برای این کار از مجموعه داده Coco استفاده کرده ایم که یکی از محبوب ترین پایگاه های داده برای استفاده در رباتیک موبایل و همچنین رانندگی خودکار است. مدل SSD با معماری inception v2 سرعت بیشتری در شناسایی اشیا دارد که به 2 فریم در ثانیه می رسد اما در مدل دیگر این میزان 25 درصد کمتر است. همچنین مدل Mask RCNN دقت بیشتری نسبت به مدل SSD دارد که مشاهدات و نتایج نشان می دهد که با احتمال بیش از 88 درصد شی مورد نظر را به درستی پیش بینی می کند. تمامی محاسبات روی کارت گرافیک Nvidia P1000 Quadro تست شده است.
واژه‌های کلیدی: خودروی خودران، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی
متن کامل [PDF 985 kb]   (185 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هوش مصنوعی
دریافت: 1401/6/1 | ویرایش نهایی: 1401/8/20 | پذیرش: 1401/9/4 | انتشار: 1401/9/24
فهرست منابع
1. Chair BJG, Altman R, Horvitz E, Mackworth A, Mitchell T, Mulligan D, Shoham Y. Artificial intelligence and life in 2030. Stanford University, CA, 2016.
2. He K, Gkioxari G, Doll'ar P, Girshick R. Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 2017; 2961-2969. [DOI:10.1109/ICCV.2017.322]
3. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016; 770-778. [DOI:10.1109/CVPR.2016.90] [PMID]
4. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu C-Y, Berg AC. SSD: Single Shot MultiBox Detector. European Conference on Computer Vision, 2016; 21-37. [DOI:10.1007/978-3-319-46448-0_2]
5. Szegedy C, Vanhoucke V, Ioffe S, Shlens J. Rethinking the inception architecture for computer vision. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016; 2818-2826. [DOI:10.1109/CVPR.2016.308]
6. Abadi M, Barham P, Chen J, Chen Z. {TensorFlow}: A System for {Large-Scale} Machine Learning. 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16), 2016; 265-283.
7. Lin T-Y, Maire M, Belongie S, Bourdev L, Girshick R, Hays J, Perona P, Ramanan D, Zitnick CL, Doll'ar P. Microsoft COCO: Common Objects in Context. European Conference on Computer Vision, 2014; 740-755. [DOI:10.1007/978-3-319-10602-1_48]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.