عنوان

تشخیص اشیا برای رانندگی خودران با استفاده از یادگیری عمیق

پ۲۶۴۸۶

per

تشخیص اشیا برای رانندگی خودران با استفاده از یادگیری عمیق

لیلا سامان آذری

مهندسی برق وکامپیوتر ( پردیس)

۱۳۹۹

۸۳ص.

سی دی

کارشناسی ارشد

مهندسی کامپیوتر گرایش هوش مصنوعی

۱۳۹۹/۱۱/۲۷

با توجه به اینکه شاهد روند رو¬به¬رشد تعداد ماشین‌ها هستیم و هر روزه هزاران تصادف رانندگی، به خانواده‌ها و اقتصاد آسیب می‌رساند، احساس نیاز به ماشین¬های خودران افزایش می¬یابد. معمولا اکثر تصادفات، به دلیل رفتار یا خطای راننده هستند و وسایل نقلیه خودران می¬توانند به کاهش خطای راننده کمک کرده و رفتارهای خطرناک راننده را کاهش دهند. تشخیص اشیا در اطراف وسیله نقلیه خودران برای ایمن¬سازی ضروری است، زیرا به منظور جلوگیری از برخورد با موانع، وسیله نقلیه باید آن¬ها را تشخیص دهد. از تکنیک¬های یادگیری عمیق می¬توان برای استخراج ویژگی جهت تشخیص شی استفاده کرد. شبکه های عصبی کانولوشن از بارزترین نمونه های یادگیری عمیق می باشند که برای تشخیص شی مورد استفاده قرار می گیرند. در این تحقیق یک روش تشخیص شی سه‌بعدی، برای رانندگی خودران در تصاویر استریو ارائه شده است. ما ابتدا نقطه کلیدی را پیش بینی کرده و سپس بهینه سازی می¬نماییم. از پیش‌بینی نقاط کلیدی پراکنده، دید و ابعاد اشیا که با جعبه‌های راست - چپ دوبعدی ترکیب می‌شوند، برای محاسبه یک جعبه محصور کننده شی سه‌بعدی، استفاده می¬کنیم. سپس جعبه محصور کننده سه¬بعدی را توسط یک ترازبندی مبتنی¬بر منطقه بازیابی می¬کنیم. عملکرد روش پیشنهادی در مجموعه داده KITTI ارزیابی می-شود.

Abstract: As a result of a daily growing number of cars, thousands of accidents, harm to families and the economy, the need for self-driving cars increases. Most accidents are usually due to driver behavior or error, and autonomous vehicles could help reduce driver’s dangerous behaviors and errors. Detection of objects around the vehicle is essential for safety, as the vehicle must detect obstacles to avoid collisions. Deep learning techniques can be used to extract features to detect an object. Convolution neural networks are one of the most prominent examples of deep learning used in object detection. In this research, a 3D object detection method for autonomous driving in stereo imagery is presented. We first predict the key point and then optimize. We use the prediction of sparse key points, viewpoints, and object dimensions which combine with 2D right-left boxes to calculate a coarse 3D object bounding box. We then recover the 3D bounding box by a region-based alignment. The performance of the proposed method is evaluated in the KITTI dataset.

Design and implementation of an intrusion detection system of remote multiagent healthcare system in wireless sensor network

‏سامان آذری،‏

لیلا ‏

تهيه کننده

‏صالح پور،‏

‏درخشان،

پدرام ‏

فرناز‏

استاد راهنما

استاد مشاور

‏تبریز