اخبار و اعلانات

 آمار

تعداد نشریات34
تعداد شماره‌ها1,306
تعداد مقالات9,427
تعداد مشاهده مقاله9,188,256
تعداد دریافت فایل اصل مقاله5,620,716
زنگنه, امیرحسین, شریفی, احسان, غلام نژاد, پژمان. (1404). شناسایی و تشخیص اشیاء در تصویر با استفاده از الگوریتم یولو بهینه شده. پدافند الکترونیکی و سایبری, 13(2), -.
امیرحسین زنگنه; احسان شریفی; پژمان غلام نژاد. "شناسایی و تشخیص اشیاء در تصویر با استفاده از الگوریتم یولو بهینه شده". پدافند الکترونیکی و سایبری, 13, 2, 1404, -.
زنگنه, امیرحسین, شریفی, احسان, غلام نژاد, پژمان. (1404). 'شناسایی و تشخیص اشیاء در تصویر با استفاده از الگوریتم یولو بهینه شده', پدافند الکترونیکی و سایبری, 13(2), pp. -.
زنگنه, امیرحسین, شریفی, احسان, غلام نژاد, پژمان. شناسایی و تشخیص اشیاء در تصویر با استفاده از الگوریتم یولو بهینه شده. پدافند الکترونیکی و سایبری, 1404; 13(2): -.

شناسایی و تشخیص اشیاء در تصویر با استفاده از الگوریتم یولو بهینه شده

پدافند الکترونیکی و سایبری
مقاله 1، دوره 13، شماره 2 - شماره پیاپی 50، تیر 1404
نوع مقاله: مقاله پژوهشی
نویسندگان
امیرحسین زنگنه* 1؛ احسان شریفی2؛ پژمان غلام نژاد1
1استادیار، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران
2استادیار،دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران
تاریخ دریافت: 22 اسفند 1404،  تاریخ بازنگری: 20 اردیبهشت 1404،  تاریخ پذیرش: 18 خرداد 1404 
چکیده
امروزه بصورت گسترده برای نظارت و کنترل محیط از سیستم‌های نظارت تصویری استفاده می‌شود. برای جلوگیری از حوادث ناخواسته و حفاظت از اماکن نظامی، امنیتی، مردم و اموال آن‌ها، سرمایه‌گذاری در سیستم‌های نظارت تصویری بسیار افزایش یافته و هدف، استفاده حداکثری از تمام دستاوردهای تکنولوژیکی موجود در این زمینه برای توسعه سیستم های نظارت تصویری است. استفاده از سیستم‌های نظارت تصویری در سازمان‌ها، ادارات، کارخانجات و محیط‌های کاری موجب مراقبت و کنترل دقیق محیط، کاهش تخلفات، افزایش توانایی در آشکار سازی سریع حوادث و نظم‌دهی محیط کاری شده است. هدف از شناسایی و تشخیص اشیاء در سامانه‌های نظارت تصویری، دسته‌‌بندی و برچسب گذاری اشیا و تعیین موقعیت دقیق آنها در تصویر یا ویدئو است.

امروزه شبکه های عصبی عمیق برای حل مسائل مختلف مورد بررسی و استفاده قرار می‌گیرند. در این مقاله ما به منظور شناسایی و تشخیص اشیاء در تصاویر از الگوریتم بهینه شده یولو استفاده نموده‌ایم.

در معماری پایه شبکه یولو از تابع فعال‌سازی ‌ریلو استفاده شده‌است که این تابع فعال‌سازی در نقطه صفر مشتق‌پذیر نیست و دوم منجر به صفر شدن تمام مقادیر منفی می‌گردد در نتیجه ما با تغییر تابع فعال‌سازی سعی در افزایش دقت شبکه عصبی پایه داریم. ما با ایجاد تغییر در معماری پایه الگوریتم یولو در شناسایی و تشخیص اشیاء، دقت شبکه‌های عصبی پایه را در شناسایی و تشخیص اشیاء در تصاویر را به میزانmAP = 0.8 درصد افزایش داده‌ایم.
کلیدواژه‌ها
سیستم نظارت تصویری؛ تشخیص اشیاء؛ الگوریتم یولو؛ شبکه عصبی عمیق؛ تابع فعال‌سازی
موضوعات
فناوری های نوین دفاع الکترونیک و سایبری
عنوان مقاله [English]
Identification and recognition of objects in the image using the optimized YOLO algorithm
نویسندگان [English]
Amirhosein zanganeh1؛ Ehsan Sharifi2؛ Pezhman Gholamnezhad1
1Assistant Professor, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran
2Assistant Professor, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran
چکیده [English]
Today, video surveillance systems are widely used to monitor and control the environment. To prevent unwanted incidents and protect military and security sites, people, and their property, investment in video surveillance systems has increased greatly, and the goal is to make the most of all the technological achievements in this field for the development of video surveillance systems. The use of video surveillance systems in organizations, offices, factories, and work environments has resulted in careful monitoring and control of the environment, reducing violations, and increasing the ability to quickly detect incidents and order the work environment. The purpose of identifying and recognizing objects in video surveillance systems is to categorize and label objects and determine their exact position in the image or video.

Today, deep neural networks are used to solve various problems. In this article, we have used the optimized YOLO algorithm to identify and recognize objects in images. In the basic architecture of the YOLO network, the Relo activation function is used, which is not derivable at the zero point, and secondly, it leads to the zeroing of all negative values. As a result, we are trying to increase the accuracy of the basic neural network by changing the activation function. By making a change in the basic architecture of the Yolo algorithm in identifying and recognizing objects, we have increased the accuracy of basic neural networks in identifying and recognizing objects in images by mAP = 0.8%.
کلیدواژه‌ها [English]
video surveillance system, object recognition, YOLO algorithm, deep neural network, activation function
مراجع
آمار
تعداد مشاهده مقاله: 79