با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
دسته بندی:
شبکه - Network
سال انتشار:
2019
ترجمه فارسی عنوان مقاله:
تشخیص و شناسایی ترافیک بر اساس شبکههای پیچشی هرمی
عنوان انگلیسی مقاله:
Traffic sign detection and recognition based on pyramidal convolutional networks
منبع:
Springer, Neural Comput and Applic (2019): https://doi:org/10:1007/s00521-019-04086-z
نویسنده:
Zhenwen Liang1 • Jie Shao1 • Dongyang Zhang1 • Lianli Gao
چکیده انگلیسی:
With the development of driverless technology, we are in dire need of a method to understand traffic scenes. However, it is
still a difficult task to detect traffic signs because of the tiny scale of signs in real-world images. In complex scenarios, some
traffic signs could be very elusive due to the awful weather and lighting conditions. To implement a more comprehensive
detection and recognition system, we develop a two-stage network. At the region proposal stage, we adopt a deep feature
pyramid architecture with lateral connections, which makes the semantic feature of small object more sensitive. At the
classification stage, densely connected convolutional network is used to strengthen the feature transmission and multiplexed, which leads to more accurate classification with less number of parameters. We test on GTSDB detection
benchmark, as well as the challenging Tsinghua-Tencent 100K benchmark which is pretty difficult for most traditional
networks. Experiments show that our proposed method achieves a very great performance and surpasses the other state-ofthe-art methods. Implementation source code is available at https://github.com/derderking/Traffic-Sign.
Keywords: Traffic sign | Object detection | Feature pyramid
چکیده فارسی:
با توسعه فناوری بدونراننده، ما به شدت نیاز به روشی برای درک صحنههای ترافیکی داریم. با این حال هنوز شناسایی علائم راهنمایی و رانندگی به دلیل مقیاس کوچک این نشانهها در تصاویر جهان واقعی، وظیفهای دشوار است. در سناریوهای پیچیده برخی علائم راهنمایی و رانندگی به دلیل شرایط آب و هوایی بسیار بد و شرایط نورپردازی میتواند بسیار اغفالکننده باشد. برای پیادهسازی یک سیستم تشخیص و شناسایی جامعتر ما یک شبکه دو مرحلهای را توسعه میدهیم. در مرحله پیشنهاد ناحیه، ما یک معماری عرمی ویژگی عمیق را با اتصالات جانبی به کار میگیریم که سبب میشود ویژگیهای معنایی شی کوچک حساستر شوند. در مرحله طبقهبندی شبکه پیچیشی که به شکل متراکم متصل شده است به منظور تقویت انتقال و تسهیم ویژگی مورد استفاده واقع شده است که این شبکه منجر به طبقهبندی دقیقتر با تعداد پارامترهای کمتر خواهد شد. ما بر روی بنچمارک تشخیص GTSDB و همچنین بر روی بنچمارک چالش برانگیز k100 Tsinghua-Tencent نیز آزمایش کردیم که برای اکثر شبکههای سنتی بسیار مشکل است. آزمایشات نشان میدهند که روش پیشنهادی ما عملکردی بسیار عالی را کسب میکند و از سایر جدیدترین روشها نیز بهتر است. پیادهسازی کد منبع در آدرس روبرو در دسترس است: https://github.com/derderking/Traffic-Sign.
کلیدواژهها: نشانه ترافیک | تشخیص شی | هرم ویژگی.
حجم فایل: 983 کیلوبایت
قیمت: 64350 تومان
توضیحات اضافی: نمونه ای از تصویر ترجمه شده
تعداد نظرات : 0