Статья:

Распознавание объектов в различных погодных условиях

Конференция: XXXII Студенческая международная научно-практическая конференция «Технические и математические науки. Студенческий научный форум»

Секция: Технические науки

Выходные данные
Гасюк К.В., Киямова А.Р. Распознавание объектов в различных погодных условиях // Технические и математические науки. Студенческий научный форум: электр. сб. ст. по мат. XXXII междунар. студ. науч.-практ. конф. № 9(32). URL: https://nauchforum.ru/archive/SNF_tech/9(32).pdf (дата обращения: 21.09.2021)
Лауреаты определены. Конференция завершена
Эта статья набрала 0 голосов
Мне нравится
Дипломы
лауреатов
Сертификаты
участников
Дипломы
лауреатов
Сертификаты
участников
на печатьскачать .pdfподелиться

Распознавание объектов в различных погодных условиях

Гасюк Кристина Владимировна
студент, Набережночелнинский филиал Казанского национального исследовательского технического университета имени А.Н. Туполева-КАИ, РФ, г. Набережные Челны
Киямова Айсиля Раисовна
студент, Набережночелнинский филиал Казанского национального исследовательского технического университета имени А.Н. Туполева-КАИ, РФ, г. Набережные Челны
Марданшин Рифкат Галимович
научный руководитель, канд. физ.-мат. наук, заведующий кафедрой, Набережночелнинский филиал Казанского национального исследовательского технического университета имени А.Н. Туполева-КАИ, РФ, г. Набережные Челны

 

Распознавание объектов - одна из важных частей ИТС. Для решения этой задачи созданы различные методики на основе CNN: R-CNN [1], Fast-RCNN [4], Faster-RCNN [3], SSD [5], YOLO [2].

Время обработки имеет высокое значение для ИТС-систем, поэтому был выбран YOLO-v3. По точности он не является лидером, но этот метод достаточно точен для нашей задачи (его точность сопоставима с точностью SSD) и он в три раза быстрее. Однако у этого метода есть такой недостаток: он плохо работает с небольшими объектами [9].

YOLO-v3 делит изображение на части SxS и предсказывает координаты и достоверность каждого ограничивающего прямоугольника. Классы прогнозируются для каждого ограничивающего прямоугольника.

В YOLO-v3 использована новая структура Darknet-53 для распознавания образов (Рисунок 1).

 

Рисунок 1. Darknet-53

 

Этот алгоритм широко используется для распознавания объектов. Исследователи [2], [7], [6] применили YOLO для задачи обнаружения объектов путем устранения негативного влияния погодных условий на качество изображений.

Методы, основанные на CNN, очень эффективны в устранении проблем, связанных с погодными условиями. Несколько современных методов представляют разнообразие подходов и архитектур, которые могут быть построены на основе CNN, и важность их производительности. Основываясь на описании метода и представленных метрических и субъективных результатах, некоторые из изученных сетей были использованы в исследовании.

В [8] предложен метод классификации погоды. Сама по себе классификация погоды является очень сложной задачей, которая обычно решается дорогостоящими методами или малоэффективными методами, обеспечивающими оценку нескольких типов погоды. Для использования сверхточных нейронных сетей и многоклассовых наборов данных для более эффективной и универсальной классификации погоды предназначен метод, предложенный [8].

Исследовательская работа, проделанная авторами в [8], включает обучение векторной машины на 1100 изображениях (70% обучение и 30% тестирование) для каждого из пяти типов погоды (солнечная, туманная, пасмурная, дождливая и снежная). Кроме того, была сравнена эффективность 10 различных методов CNN, и полученное среднее значение было использовано для определения наилучшего. Результаты (Таблица 1) анализа, представленного в статье, показывают значительное превосходство сети ResNet50. Работа доказывает, что ResNet 50 может использоваться не только как средство распознавания изображений, но и как средство распознавания погоды.

Таблица 1.

Сравнение моделей распознавания погоды на основе CNN

Model

Mean average precision

CaffeNet

0.7591

PlacesCNN

0.7627

ResNet 50

0.7767

ResNet 101

0.7681

ResNet 152

0.7504

VGG_CNN_F

0.7134

VGG_CNN_F

0.6849

VGG_CNN_F

0.7060

VGGNet16

0.7194

VGGNet19

0.6948

 

Список литературы:
1. Chen, Y., Hu, W. Robust vehicle detection and counting algorithm adapted to complex traffic environments with sudden illumination changes and shadows. Technology: Chemical technology. 2020. doi:10.3390/s20092686.
2. Dey R., Bhattacharjee D., Nasipuri M. (2020) Object Detection in Rainy Condition from Video Using YOLO Based Deep Learning Model. Advanced Computing and Systems for Security. pp 121-131. 2020.
3. Girshick, R., Donahue, J., Darrell, T., Malik, J. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Computer Vision and Pattern Recognition. pp. 580-587. 2014.
4. Girshick, R. Fast R-CNN. IEEE International Conference on Computer Vision (ICCV), pp. 1440-1448. 2015.
5. Guerra, J. , Khanam, Z., Ehan, Sh., Stolkin, R., McDonald-Maier, Kl. Weather Classification: A new multi-class dataset, data augmentation approach and comprehensive evaluations of Convolutional Neural Networks. Computer Vision and Pattern Recognition. 2018.
6. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S. SSD: Single shot multibox detector. European Conference on Computer Vision. Lecture Notes in Computer Science, pp. 21–37. 2016.
7. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 779-788. 2016.
8. Ren, S., He, K., Girshick, R., Sun, J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. pp. 1137-1149. 2017.
9. Zhao, S-Q., Liu, P., Yang, J., Li, S. A Fast Detection Method for Road Monitoring. 2018. DEStech Transactions on Computer Science and Engineering. 2018. doi: 10.12783/dtcse/cmee2017/20051.