ارتقای قابلیت تشخیص هدف در تصاویر موج میلیمتری غیرفعال مبتنی بر الگوریتم YOLOv۳

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 298

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JICTP-2-5_004

تاریخ نمایه سازی: 15 آذر 1400

چکیده مقاله:

چکیده: امواج میلیمتری ویژگی های منحصربه فردی مانند قابلیت نفوذ در الیاف لباس را دارند که منجر به تشخیص اشیای پنهان در لباس می شوند. به همین دلیل، سامانه تصویربرداری موج میلیمتری در بخش های امنیت عمومی مراکز مهم، به خصوص فرودگاه ها و مراکز نظامی می تواند مورد استفاده قرار گیرد. تحت شرایط امنیتی و به جهت افزایش هوشمندی برای رصد مجرمین، تشخیص اشیای پنهان شده در زیر لباس با دقت و سرعت بالا منجر به افزایش اقتدار پلیس خواهد شد. با معرفی روش های تشخیص اشیای مبتنی بر شبکه های عصبی کانولوشنال عمیق، می توان از این روش ها برای برآورده کردن نیازهای دقت و سرعت بالا استفاده نمود. در این مقاله، به منظور تشخیص اهداف از الگوریتم YOLOv۳ به دلیل دقت و سرعت بالای آن به عنوان الگوریتم تشخیص اشیای پایه استفاده می شود. جهت افزایش میانگین دقت متوسط الگوریتم YOLOv۳ و نیز افزایش دقت تشخیص اشیای کوچک از اضافه نمودن ماژول SPP به ساختار شبکه ی استخراج گر ویژگی الگوریتم YOLOv۳ و نیز کادرهای انکر مناسب با اهداف درون مجموعه داده ی مورد نظر استفاده می گردد. هم چنین، جهت کاهش پیچیدگی محاسباتی و نیز کاهش زمان تشخیص از ساختار کوچک تر YOLOv۳ استفاده می شود. در نهایت کارآیی روش پیشنهادی با الگوریتم YOLOv۳ اولیه مقایسه می گردد. نتایج نشان می دهد که روش پیشنهادی علاوه بر افزایش ۴.۰۴% میانگین دقت متوسط، زمان تشخیص ۱۴ میلی ثانیه را نیز صرف می کند.

کلیدواژه ها:

نویسندگان

جهان تربیتی

دانشجوی کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران- تهران - ایران

سید محمد رضا موسوی میرکلایی

استاد، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران- تهران- ایران

بهنام درستکاریاقوتی

گروه فناوری اطلاعات و ارتباطات، دانشگاه علوم انتظامی امین- تهران- ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Y. Zhng, Y. Li, and J. Chen, “Detection of ConcealedObjects ...
  • Ch. Cihua, et al, “Analytical Model and Optical Design o ...
  • D. Sh. Long, et al, “Indoor Passive Millimeter-Wave Imaging for ...
  • [۴] H. M. Chen, et al, “A Tutorial Overview ...
  • L. Guo and Sh. Qin, “High-Performance Detection of Concealed Forbidden ...
  • C. D. Haworth, B. Gonzalez, M. Tomsin, R. Appleby, P. ...
  • C. D. Haworth, Y. R. Petillot, and E. Trucco, “Image ...
  • X. Shen, C. R. Dietlein, E. Grossman, Z. Popovic, and ...
  • I. G. Maqueda, N. P. de la Blanca, R. Molina, ...
  • H. Mohammadzade, B. Ghojogh, S. Faezi, and M. Shabany, “Critical ...
  • S. López-Tapia, R. Molina, and N. Pérez de la Blanca, ...
  • L. Aziz, M. S. B. Haji Salam, U. U. Sheikh, ...
  • X. Wu, D. Sahoo, and S. C. Hoi, “Recent Advances ...
  • Z. Zou, Z. Shi, Y. Guo, and J. Ye, “Object ...
  • K. He, X. Zhang, S. Ren, and J. Sun, “Spatial ...
  • L. Jiao, et al., “A Survey of Deep Learning-Based Object ...
  • S. Ren, K. He, R. Girshick, and J. Sun, “Faster ...
  • J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You ...
  • H. Zhang et al., “Real-Time Detection Method for Small Traffic ...
  • W. Liu, D. Anguelov, D. Erhan, Ch. Szegedy, S. Reed, ...
  • M. T. Pham, L. Courtrai, C. Friguet, S. Lefèvre, and ...
  • J. Redmon and A. Farhadi, “YOLO۹۰۰۰: Better, Faster, Stronger,” IEEE ...
  • J. A. Khan, Y. Chen, Y. Rehman, and H. Shin, ...
  • H. Zhang, Z. Hu and R. Hao, “Joint Information Fusion ...
  • D. Xu and Y. Wu, “Improved YOLO-V۳ with DenseNet for ...
  • H. Yang and et al., “Tender Tea Shoots Recognition and ...
  • M. Ju, H. Luo, Z. Wang, B. Hui and Z. ...
  • L. Pang, H. Liu, Y. Chen, and J. Miao, “Real-time ...
  • R. Padilla, S. L. Netto, and E. A. B. da ...
  • T. Yulin, S. Jin, G. Bian and Y. Zhang, “Shipwreck ...
  • نمایش کامل مراجع