گروه مهندسی برق

جلسه دفاع از پایان نامه کارشناسی ارشد آقای محمدتقی توفیقی

جلسه با موضوع قطعه بندی معنایی تصاویر معابر شهری ایران، در تاریخ چهارشنبه 20 فروردین 1404، برگزار می گردد.

جلسه دفاع از پایان نامه کارشناسی ارشد آقای محمدتقی توفیقی، با موضوع قطعه بندی معنایی تصاویر معابر شهری ایران، از گروه مهندسی برق در تاریخ چهارشنبه 20 فروردین 1404، ساعت 16 دراتاق شورای ساختمان صناعت برگزار می گردد.

استادان راهنما: دکترمحمد کاظمی ورنامخواستی ، آقای دکتر محمدفرزان صباحی

چکیده: قطعه‌بندی معنایی تصاویر نقش مهمی در سامانه‌های خودروهای خودران، تشخیص تومور در تصاویر پزشکی و واقعیت افزوده دارد؛ اما در حوزه‌ی خودروهای خودران، مدل‌های موجود دقت مناسبی برای معابر داخلی حاصل نمی‌کنند و مدل‌های مبتنی بر یادگیری عمیق در مواجهه با تصاویری که ناآشنا هستند دچار اشکال می‌شوند. در این پژوهش قصد بر آن است تا مدلی برای قطعه‌بندی تصاویر داخل کشور ارائه شود و سعی شود تا برخی از ایرادات قطعه‌بندی کاهش داده‌شود. بدین منظور، یک مجموعه داده جدید با استفاده از تصاویر شهر اصفهان بانام IranUrban گردآوری‌شده و به کمک نرم‌افزار CVAT، برچسب‌گذاری شده است. سپس، شبکه‌ی PIDNet-L با این داده‌ها آموزش دید که دقت آن برحسب mIoU از 91/44% به 84/68% افزایش پیدا کرد.همچنین یک روش جدید برای بهبود کیفیت قطعه‌بندی معنایی تصاویر ارائه‌شده است تا ایرادات حاصل از تصاویر ناآشنا را تا حد مناسبی کاهش دهد. این روش به تصویر خروجی قطعه‌بندی معنایی مانند تصویری متشکل از تعدادی چندضلعی نگاه خواهد کرد. سپس، ویژگی‌های این چندضلعی‌ها استخراج خواهند شد و با یک الگوریتم تصمیم‌گیری جنگل تصادفی، درستی و یا نادرستی چندضلعی‌ها برحسب ویژگی‌های آن‌ها، بررسی خواهد شد. منظور از درستی یا نادرستی چندضلعی‌ها، آن است که آیا چندضلعی موجود با توجه به ویژگی‌های آن، امکان وجود دارد یا خیر. در پایان چندضلعی‌های نادرست از تصویر خروجی حذف و با جانشینی مناسب پر می‌شوند. می‌توان دید که این روش پیشنهادی در عین سادگی و سبکی، توانایی بالایی برای بهبود دقت قطعه‌بندی معنایی به کمک درخت‌های تصمیم‌گیری دارد. به‌طوری‌که بعد از پیاده‌سازی به کمک جنگل تصادفی و حذف اشیاء نادرست در خروجی PIDNet-L، برای دو مجموعه داده‌ی CityScapes و IranUrban، در کلاس‌هایی مانند موتورسیکلت 2 درصد و انسان حدود 1 درصد بهبود داشته‌اند و در برخی کلاس‌ها مانند خیابان و ساختمان بهبودی حاصل نشده است. درمجموع روش پیشنهادی 27/0% بهبود برحسب mIoU برای PIDNet-L در مجموعه داده‌ی CityScapes و 91/0% بهبود برحسب mIoU در مجموعه داده‌ی IranUrban حاصل کرده است.

تاریخ:

1404/01/18

تعداد بازدید:

274

منبع: