Object Detection by a Hybrid of Feature Pyramid and Deep Neural Networks
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 175
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JECEI-11-1_015
تاریخ نمایه سازی: 7 آبان 1401
چکیده مقاله:
kground and Objectives: Object detection has been a fundamental issue in computer vision. Research findings indicate that object detection aided by convolutional neural networks (CNNs) is still in its infancy despite -having outpaced other methods . Methods: This study proposes a straightforward, easily implementable, and high-precision object detection method that can detect objects with minimum least error. Object detectors generally fall into one-stage and two-stage detectors . Unlike one-stage detectors, two-stage detectors are often more precise, despite performing at a lower speed. In this study, a one-stage detector is proposed, and the results indicated its sufficient precision . The proposed method uses a feature pyramid network (FPN) to detect objects on multiple scales . This network is combined with the ResNet ۵۰ deep neural network. Results: The proposed method is trained and tested on Pascal VOC ۲۰۰۷ and COCO datasets. It yields a mean average precision (mAP) of ۴۱.۹۱ in Pascal Voc۲۰۰۷ and ۶۰.۰۷% in MS COCO. The proposed method is tested under additive noise. The test images of the datasets are combined with the salt and pepper noise to obtain the value of mAP for different noise levels up to ۵۰% for Pascal VOC and MS COCO datasets. The investigations show that the proposed method provides acceptable results. Conclusion: It can be concluded that using deep learning algorithms and CNNs and combining them with a feature network can significantly enhance object detection precision.
کلیدواژه ها:
نویسندگان
S.M. Notghimoghadam
Department of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
H. Farsi
Department of Communication Engineering, Faculty of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
S. Mohamadzadeh
Department of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
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 :
