वायु चित्रों में वाहन पहचान 3D गहराई मानचित्रों और गहरा तंत्रिका नेटवर्क के आधार पर

वायु चित्रों में वस्तु पहचान, विशेष रूप से वाहनों की, दूरस्थ संवेदन अनुप्रयोगों में अत्यंत महत्वपूर्ण है, जिसमें ट्रैफिक प्रबंधन, शहरी योजना, पार्किंग स्थान का उपयोग, निगरानी, और खोज व बचाव शामिल हैं। इस लेख में, हम तीन-आयामी (3D) फीचर मानचित्रों की क्षमता की जांच करते हैं ताकि वाहन पहचान के लिए गहरे तंत्रिका नेटवर्क (DNN) के प्रदर्शन में सुधार किया जा सके। सबसे पहले, हम विभिन्न आधार नेटवर्कों के साथ YOLOv3 पर आधारित एक DNN प्रस्तावित करते हैं, जिसमें DarkNet-53, SqueezeNet, MobileNet-v2, और DenseNet-201 शामिल हैं। हमने आवश्यकता, प्रसंस्करण समय, और प्रत्येक आर्किटेक्चर द्वारा आवश्यक मेमोरी की दक्षता के लिए आधार नेटवर्कों और उनके प्रदर्शन का मूल्यांकन किया। दूसरे भाग में, वायु चित्रों के जोड़ों और उनके पारलैक्स विस्थापन का उपयोग करके 3D गहराई मानचित्र उत्पन्न किए गए। इसके बाद, ट्रकों, अर्द्ध-ट्रेलरों और ट्रेलरों के 3D फीचर मानचित्रों पर एक पूरी तरह से जुड़े तंत्रिका नेटवर्क (fcNN) को प्रशिक्षित किया गया। फिर, वायु चित्रों में वाहनों का पता लगाने के लिए इन नेटवर्कों का एक कैस्केड प्रस्तावित किया गया। जब DNN एक क्षेत्र का पता लगाता है, तो समन्वय और आत्मविश्वास स्तरों का उपयोग करके संबंधित 3D विशेषताएँ निकाली जाती हैं। fcNN ने DNN के प्रदर्शन में सुधार करने के लिए 3D फीचर्स को इनपुट के रूप में उपयोग किया। इस कार्य में उपयोग किया गया डेटा सेट दो वर्षों में दो औद्योगिक हार्बर के ऊपर एक मानव रहित हवाई वाहन (UAV) की कई उड़ानों से प्राप्त किया गया था। प्रयोगात्मक परिणामों से पता चलता है कि 3D फीचर्स ने 0.01 और 0.05 के क्रमशः DNN आत्मविश्वास थ्रेशोल्ड का उपयोग करते समय DNNs की सटीकता को 88.23 % से 96.43 % और 97.10 % से 100 % तक सुधार दिया। इस प्रकार, प्रस्तावित प्रणाली DNN के आउटपुट से 72.22 % से 100 % तक गलत सकारात्मक को सफलतापूर्वक हटाने में सक्षम थी। ये परिणाम भविष्य के अनुसंधान के लिए वायु चित्रों में वस्तु पहचान में सुधार करने के लिए 3D फीचर्स के उपयोग के महत्व को दर्शाते हैं।