التعرف على الكائنات واكتشافها باستخدام التعلم العميق لتطبيقات القيادة الذاتية

تتطلب القيادة الذاتية اكتشافًا دقيقًا وموثوقًا للهياكل المحيطة في بيئات القيادة الحقيقية. على الرغم من اقتراح خوارزميات مختلفة لاكتشاف الكائنات، إلا أن ليس جميعها قوي بما يكفي لاكتشاف والتعرف على الكائنات المعيقة أو المقطوعة. في هذه الورقة، نقترح نظامًا هجينًا حديثًا (LM-CNN-SVM) يعتمد على الشبكات العصبية الالتفافية (CNNs) وآلات الدعم الناقل (SVMs) نظرًا لقدرتها القوية على استخراج الميزات وصفة التصنيف القوية على حد سواء. في النظام المقترح، نقوم أولاً بتقسيم الصورة بالكامل إلى مناطق محلية ونستخدم عدة CNNs لتعلم ميزات الكائنات المحلية. ثانياً، نختار الميزات التمييزية باستخدام تحليل المكونات الرئيسية. ثم نقوم بإدخال تلك الميزات إلى عدة SVMs ونطبق كل من الحد من المخاطر التجريبية والهيكلية بدلاً من استخدام CNN مباشر لزيادة قدرة التعميم لنظام التصنيف. أخيرًا، نقوم بدمج مخرجات SVM. بالإضافة إلى ذلك، نستخدم AlexNet المدرب مسبقًا وهيكل CNN جديد. نجري تجارب على التعرف على الكائنات واكتشاف المشاة على بيانات Caltech-101 وCaltech Pedestrian. تُظهر المقارنات مع أفضل الطرق الرائجة أن النظام المقترح حقق نتائج أفضل.