1
دانشجوی دکتری الکترونیک، دانشکده برق و کامپیوتر، دانشگاه بیرجند
2
گروه مهندسی الکترونیک، دانشکده برق و کامپیوتر، دانشگاه بیرجند
چکیده
تشخیص اشیا، ردیابی اشیا و پیش‌بینی سری‌های زمانی، از چالش‌های اساسی در بینایی ماشین است. یادگیری عمیق، گام‌های بسیار بزرگی در حل این چالش‌ها برداشته‌است. اما برای بسیاری از مشکلات، راه‌حل‌های رضایت‌بخشی که در واقعیت، کاربرد-های مفیدی داشته‌باشد و بتوان از آن استفاده‌کرد، هنوز پیدا نشده‌است. در این مقاله، با دو چالش ردیابی و شناسایی اشیا روبرو هستیم که برای حل این مشکل، پیدا‌کردن لوله‌های محدود‌کننده برای حرکت اشیا در حوزه مکان-زمان پیشنهاد شده‌است. معمولاً ردیابی اشیا و تشخیص اشیا، بصورت دو فرایند جداگانه مورد بررسی قرار می‌گیرد که تکامل و پیشرفت زیادی از طریق یادگیری عمیق برای تصاویردوبعدی، حاصل شده‌است. ردیابی اشیا به‌وسیله تشخیص اشیا، مستلزم آن است که جسم در اولین فریم و در تمام فریم‌های بعدی، با موفقیت شناسایی شود و بدین‌گونه، با مرتبط‌سازی نتایج حاصل شده از تشخیص اشیا، عملیات ردیابی را توسط خط لوله TPN انجام دادیم. عملیات شناسایی اشیا و ردیابی اشیا از طریق یک شبکه واحد، همچنان چالش بر‌انگیز و قابل بحث است. در این مقاله، یک ساختار شبکه‌‌ای پیشنهاد شده‌است که توانست یک شی متحرک و درحال حرکت را که محصور شده‌بود، با استفاده ازR-CNN Faster شناسایی کند. در این شبکه، TPN جایگزین RPN شده‌است و همین موضوع، باعث شناسایی بهتر اشیا و بهبود ردیابی شد. در این روش، با استفاده از عملیات شناسایی اشیا به ردیابی اشیا پرداخته شده‌است.
)