تشخیص برجستگی های تصاویر ۳۶۰ درجه با استفاده از یادگیری عمیق و نقشه های حرارتی برای کاربردهای شناسایی و تشخیص اشیا

تشخیص اشیا، ردیابی اشیا و پیش بینی سری های زمانی، از چالشهای اساسی در بینایی ماشین است. یادگیری عمیق، گامهای بسیار بزرگی در حل این چالشها برداشته است؛ اما برای بسیاری از مشکلات، راهحلهای رضایتبخشی که در واقعیت، کاربردهای مفیدی داشته باشد و بتوان از آن استفاده کرد، هنوز پیدا نشده است. در این مقاله، بر روی مسئله آشکارسازی برجستگی ها در تصاویر ۳۶۰ درجه تمرکز شد. در بحث آشکارسازی برجستگیها از تصاویر حرارتی استفاده شد و برتریهای تصاویر ۳۶۰ درجه با سرعتی بهتر از قبل، تشخیص دادهشد. در سالهای اخیر، استفاده از شبکه های عصبی کانولوشن برای پیشبینی برجستگیها یا بینایی بهتر، مورد توجه روز افزون قرار گرفته است. در این مقاله، این موضوع را کمی گسترش دادیم. در این کار، فراتر از تشخیص برجستگی برای تصاویر دو بعدی معمولی پیش رفتیم و نقشه های برجسته سازی برای تصاویر۳۶۰ درجه همه جانبه، پیشبینی شد. یک تصویر همه جانبه کروی، به ۶ وجه مکعب تقسیم شد و بطور جداگانه، پردازش انجام گرفت. یک مدل تشخیص برجستگی که در ابتدا برای تصاویر غیرهمه جانبه آموزش دیده است، به عنوان شبکه اصلی برای پیشبینی برجستگی در هر یک از این ۶ وجه مکعب، تنظیم شدهاست. نقشه های برجستگی پیشبینی شده، برای تمام وجه های مکعب، به همدیگر متصل شدند و با استفاده از یک رمزگذار((Encoder خودکار کانولوشن، حذف نویز هموار شد. همچنین یک ماسک جدید، برای از بین بردن آثار محل اتصال، پیشنهاد شده است.