موسوی, سید امین, نصیری, مهدی, ناطقی, محمد جواد. (1403). آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق. پدافند الکترونیکی و سایبری, 15(1), 27-35.
سید امین موسوی; مهدی نصیری; محمد جواد ناطقی. "آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق". پدافند الکترونیکی و سایبری, 15, 1, 1403, 27-35.
موسوی, سید امین, نصیری, مهدی, ناطقی, محمد جواد. (1403). 'آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق', پدافند الکترونیکی و سایبری, 15(1), pp. 27-35.
موسوی, سید امین, نصیری, مهدی, ناطقی, محمد جواد. آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق. پدافند الکترونیکی و سایبری, 1403; 15(1): 27-35.

آشکارسازی هدف در تصاویر زمین پایه با مجموعه‌داده محدود مبتنی بر یادگیری عمیق

علوم و فناوریهای پدافند نوین
مقاله 3، دوره 15، شماره 1 - شماره پیاپی 55، بهار 1403، صفحه 27-35    اصل مقاله (1.41 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
سید امین موسوی1؛ مهدی نصیری* 2؛ محمد جواد ناطقی3
1کارشناسی ارشد،دانشگاه جامع امام حسین (ع)، تهران، ایران
2استادیار، دانشگاه جامع امام حسین (ع)، تهران ، ایران
3دانشجوی دکتری، دانشگاه جامع امام حسین (ع) ، تهران، ایران
چکیده
الگوریتم تشخیص شی YOLO، یکی از مشهورترین و پرکاربردترین الگوریتم‌های تشخیص اشیا در حوزه بینایی ماشین است. این الگوریتم با استفاده از تصاویر آموزشی فراوان، آموزش می‌بیند و می‌تواند در شناسایی اهداف عملکرد قابل توجهی داشته باشد. با این حال، در شرایط خاصی مانند فضای نظامی، پزشکی و محیط‌های خطرناک که به دست آوردن تصاویر واقعی اهداف زمان‌بر و چالش برانگیز است، محدودیت‌هایی وجود دارد که محققان را به دنبال راهکارهای جایگزین برای رفع مشکل کمبود داده و افزایش دقت الگوریتم می‌کند. یکی از راهکارهای جدید برای حل این مشکل، استفاده از داده‌های مصنوعی تولید شده توسط موتورهای بازی‌سازی است. این روش نوآورانه‌ای است که با کاهش وابستگی به داده‌های واقعی، عملکرد و دقت الگوریتم را بهبود می‌بخشد. با استفاده از داده‌های مصنوعی، محدودیت تعداد داده‌های آموزشی برای الگوریتم برطرف می‌شود و عملکرد الگوریتم در شرایط پیچیده و خطرناک بهبود می‌یابد. همچنین، استفاده از داده‌های مصنوعی منجر به کاهش زمان، نیروی انسانی و هزینه مورد نیاز برای جمع‌آوری داده می‌شود. به‌طورکلی، استفاده از داده‌های مصنوعی به‌عنوان راهکار جایگزین در آموزش الگوریتم تشخیص شی، به دلیل مزایایی نظیر کاهش زمان، کاهش نیروی انسانی و کاهش هزینه، مورد توجه محققان و کاربران قرار گرفته است. برای رسیدن به عملکرد مطلوب در شناسایی تانک، از داده‌های مصنوعی تولید شده توسط موتور بازی‌سازی Unreal Engine استفاده شده است. مجموعه داده تولیدی بر روی چهار نسخه شبکه YOLOv5، یعنی YOLOv5s،YOLOv5m ،YOLOv5l و YOLOv5x، تست شده و نتایج آنها گزارش شده است.
کلیدواژه‌ها
الگوریتم تشخیص شی؛ YOLO؛ داده‌های مصنوعی؛ Unreal Engine
مراجع
آمار
تعداد مشاهده مقاله: 393
تعداد دریافت فایل اصل مقاله: 161