شناسایی عابران پیاده توسط خودروهای خودران
پدال نیوز: محققان دانشگاه کالیفرنیا در ساندیگو یک سیستم شناسایی عابر پیاده طراحی کردهاند که به ادعای آنها بطور فوری و با دقت بسیار بالاتری از سیستمهای موجود عمل میکند.
به گزارش "پدال نیوز" به گزارش پدال نیوز به نقل از ایسنا، محققان بر این باورند که این الگوریتم و فناوری میتواند در خودروهای خودران، رباتیک و در سیستمهای جستوجوی تصویر و فیلم مورد استفاده قرار بگیرد.
این محققان مدلهای قدیمی نسخه رایانهای را با یادگیری عمیق ترکیب کردهاند تا دقت و سرعت الگوریتم را ارتقا بخشند.
هدف آنها ایجاد یک نسخه زمان واقعی بود که به سیستم اجازه شناسایی و دستهبندی اجسام و بویژه انسانها را در شرایط رانندگی عادی شهری میدهد. این امر به خودروهای خودران، رباتهای تحویلدهنده بار یا پهپادهای با ارتفاع پرواز پایین اجازه خواهد داد تا عابران پیاده و ازدحامها را شناسایی کرده و با آنها برخورد نکنند.
بیشتر سیستمهای شناسایی عابر پیاده، یک تصویر را به بخشهای کوچکتر تقسیم کرده که با یک برنامه گروهبندی برای تعیین حضور یک شکل انسانی پردازش میشوند. این کار میتواند برای مهندسان چالشبرانگیز باشد زیرا انسانها دارای اندازهها و شکلهای گوناگون هستند و فاصله باعث تغییر دورنما و اندازه اشیا میشود. در زمان استفاده فوری، این کار شامل پردازش میلیونها بخش در پنج الی 30 فریم در ثانیه است.
روش تشخیص آبشاری مورد استفاده در سیستم جدید همین عملکرد پایه را اعمال میکند اما این کار را بطور مرحلهای و نه یکجا انجام میدهد. این کار به الگوریتم اجازه میدهد تا به سرعت فریمهایی را که شباهتی به حضور یک شکل انسانی ندارند، کنار گذاشته و بر روی تصاویر محتملتر تمرکز کند.
مرحله اول بر روی آسمان و فضاهای خالی تمرکز دارد. مرحله دوم به طبقهبندی و کنار گذاشتن فریمهایی میپردازد که به شکل و رنگ انسان بوده اما عابر نیستند (مانند درختان، بوته و سایر خودروها). مرحله نهایی نیز با دقت و جزئیات بیشتر به طبقهبندی ادامه میدهد تا زمانی که تنها عابران پیاده باقی بمانند. اگرچه این محاسبات و پردازشهای نهایی بسیار سنگین هستند، اما تنها تعداد کمی از آنها مورد نیاز بوده و از این رو این فرآیند بسرعت انجام میشود.
بطور سنتی، سیستمهای شناسایی آبشاری از دستهبندی کنندههای سادهتر موسوم به " یادگیرندههای ضعیف" استفاده میکنند. در سیستم جدید، سیستمهای شناسایی مرحله بعد همزمان با اجرا به یادگیری میپردازند و در نتیجه، دستهبندی کنندهها پیچیدهتر و سریعتر میشوند. دستهبندی کنندهها با گذشته زمان در هر مرحله بیشتر تقویت میشوند و در هر محله تغییر میکنند. این مهمترین تفاوت میان االگوریتم جدید و سیستمهای رایج شناسایی عابر پیاده است.
الگوریتم این کار را با یادگیری اینکه کدام ترکیب از یادگیرندههای ضعیف توانسته بودند عابران را در یک فریم تشخیص دهند، انجام داده و با ارتقای فریمها، بر روی آنها بیشتر تاکید میکند و فرآیند شناسایی را سرعت میبخشد.
این محققان مدلهای قدیمی نسخه رایانهای را با یادگیری عمیق ترکیب کردهاند تا دقت و سرعت الگوریتم را ارتقا بخشند.
هدف آنها ایجاد یک نسخه زمان واقعی بود که به سیستم اجازه شناسایی و دستهبندی اجسام و بویژه انسانها را در شرایط رانندگی عادی شهری میدهد. این امر به خودروهای خودران، رباتهای تحویلدهنده بار یا پهپادهای با ارتفاع پرواز پایین اجازه خواهد داد تا عابران پیاده و ازدحامها را شناسایی کرده و با آنها برخورد نکنند.
بیشتر سیستمهای شناسایی عابر پیاده، یک تصویر را به بخشهای کوچکتر تقسیم کرده که با یک برنامه گروهبندی برای تعیین حضور یک شکل انسانی پردازش میشوند. این کار میتواند برای مهندسان چالشبرانگیز باشد زیرا انسانها دارای اندازهها و شکلهای گوناگون هستند و فاصله باعث تغییر دورنما و اندازه اشیا میشود. در زمان استفاده فوری، این کار شامل پردازش میلیونها بخش در پنج الی 30 فریم در ثانیه است.
روش تشخیص آبشاری مورد استفاده در سیستم جدید همین عملکرد پایه را اعمال میکند اما این کار را بطور مرحلهای و نه یکجا انجام میدهد. این کار به الگوریتم اجازه میدهد تا به سرعت فریمهایی را که شباهتی به حضور یک شکل انسانی ندارند، کنار گذاشته و بر روی تصاویر محتملتر تمرکز کند.
مرحله اول بر روی آسمان و فضاهای خالی تمرکز دارد. مرحله دوم به طبقهبندی و کنار گذاشتن فریمهایی میپردازد که به شکل و رنگ انسان بوده اما عابر نیستند (مانند درختان، بوته و سایر خودروها). مرحله نهایی نیز با دقت و جزئیات بیشتر به طبقهبندی ادامه میدهد تا زمانی که تنها عابران پیاده باقی بمانند. اگرچه این محاسبات و پردازشهای نهایی بسیار سنگین هستند، اما تنها تعداد کمی از آنها مورد نیاز بوده و از این رو این فرآیند بسرعت انجام میشود.
بطور سنتی، سیستمهای شناسایی آبشاری از دستهبندی کنندههای سادهتر موسوم به " یادگیرندههای ضعیف" استفاده میکنند. در سیستم جدید، سیستمهای شناسایی مرحله بعد همزمان با اجرا به یادگیری میپردازند و در نتیجه، دستهبندی کنندهها پیچیدهتر و سریعتر میشوند. دستهبندی کنندهها با گذشته زمان در هر مرحله بیشتر تقویت میشوند و در هر محله تغییر میکنند. این مهمترین تفاوت میان االگوریتم جدید و سیستمهای رایج شناسایی عابر پیاده است.
الگوریتم این کار را با یادگیری اینکه کدام ترکیب از یادگیرندههای ضعیف توانسته بودند عابران را در یک فریم تشخیص دهند، انجام داده و با ارتقای فریمها، بر روی آنها بیشتر تاکید میکند و فرآیند شناسایی را سرعت میبخشد.
گزارش خطا
پسندها: 0
ارسال نظر
آخرین اخبار
تعمیرگاه مرکزی نیلان خودرو شمس افتتاح سد گره دولتی اسقاط خودروهای فرسوده ورود دادستانی تهران به خالی فروشی خودرو فروش 3 مدل تویوتا نیلان خودرو آغاز شد نامه هشدار آمیز انجمن واردکنندگان خودرو به دادستان تهران خودرو در محدوده رکود فروردین مرجع نظارت بر کیفیت کاتالیست خودروها تغییر کرد تزریق ۴.۶ همت پول برای اسقاط دودزاها افت ۳۹درصدی تولید خودروهای تجاری ۵ سال بدون کارنامه کیفیت خودرو هشدار جگوار لندروور به کپیکاران چینی اگر کارت سوخت نداشته باشیم چه کنیم؟ رشد تولید خودرو در چین تقریبا متوقف شد ! مرکز تست تصادف AQS در جمع برگزیدگان استاندارد استان تهران قرار گرفت کی ام سی ایگل تمام برقی کرمان موتور معرفی شد +تصاویر صنعت خودرو در مسیر افزایش هزینههای تمامشده وام نوسازی خودرو فرسوده دقیقا به چه کسانی تعلق میگیرد؟ لزوم ورود رئیس جمهور جهت رفع مانع تراشی بانک مرکزی در مسیر واردات خودرو کروز به دنبال تسلط بر مدیریت ایران خودرو است انحصار در انحصار با عرضه «سهام تودلی» دور جدید واگذاری سهام ایران خودرو ابهام حقوقی دارد واکنش مجلس به درخواست تعویق استانداردهای خودرویی تغییر نقشه واردات قطعات خودرو 25 روزه کرولا کراس و کرولا الیت هیبرید را تحویل بگیرید وقتی فوتبال، فراتر از نتیجه یک مسابقه معنا پیدا میکند از همگامی تا واگرایی قیمت خودرو رشد ۹ درصدی قیمت خودروهای مونتاژی جزئیات تسهیلات بانکی برای نوسازی وانتهای فرسوده اولین ارائه بخش خصوصی در پاویون ایران در COP31 توسط ISQI
شرایط فروش