fa ارائه یک الگوریتم ترکیبی مبتنی بر یادگیری عمیق و ماشین بولتزمان محدود با هدف قطعه‌بندی معنایی خودرو از تصاویر مادون‌قرمز حرارتی پهپاد سنجش از دور RS پژوهشي Research <span style="font-family:b nazanin;">امروزه پایش وسایل نقلیه زمینی با استفاده از روش‌های پردازش تصویر، یکی از حیطه‌های کاربردی در کنترل ترافیک هوشمند به شمار می‌آید. در این زمینه، به‌کارگیری تصاویر مادون‌قرمز حرارتی پهپاد به دلیل قدرت تفکیک مکانی مناسب، مقرون ‌به ‌صرفه بودن و حجم کمتر تصاویر، یکی از گزینه‌های مطلوب برای هدف پایش وسایل نقلیه است. روش‌هایی که تا به حال برای استخراج وسایل نقلیه از تصاویر حرارتی ارائه شده‌اند، اغلب دارای مشکلاتی نظیر دقت پایین در شناسایی و قطعه‌بندی (مانند روش </span><em><span dir="LTR"><span style="font-size:8.0pt;">HOG+SVM</span></span></em><span style="font-family:b nazanin;">) و نیاز به کلان داده‌های آموزشی (مانند روش‌های یادگیری عمیق) است. در تحقیق حاضر، یک مدل جدید با نام </span><em><span dir="LTR"><span style="font-size:8.0pt;">SegRBM-Net</span></span></em> <span style="font-family:b nazanin;">بر اساس یادگیری عمیق و ماشین بولتزمان محدود ارائه شده است. از جمله ویژگی‌های مدل </span><em><span dir="LTR"><span style="font-size:8.0pt;">SegRBM-Net</span></span></em><span style="font-family:b nazanin;">، افزایش دقت شناسایی و قطعه‌بندی وسایل نقلیه از تصاویر حرارتی با استفاده توأم از لایه‌های کانوولوشنی و ویژگی‌های ماشین بولتزمان محدود گوسین - برنولی می‌باشد. این ساختار موجب شده است تا الگوریتم، هدف را با سرعت و دقت بیشتری نسبت به سایر روش‌های یادگیری عمیق پیدا کند. به‌منظور ارزیابی کارایی و دقت روش پیشنهادی، از چهار مجموعه داده مادون‌قرمز حرارتی پهپاد با ویژگی‌هایی نظیر تراکم بالای وسایل نقلیه در صحنه و زاویه دید متنوع استفاده شده است. بر اساس نتایج این تحقیق، مدل </span><em><span dir="LTR"><span style="font-size:8.0pt;">SegRBM-Net</span></span></em><span style="font-family:b nazanin;"> با دقت میانگین 99 درصد و بهبود سرعت پردازش، نسبت به روش‌های مشابه دارای کارایی مناسبی می‌باشد.</span> Nowadays, ground vehicle monitoring (GVM) is one of the areas of application in the intelligent traffic control system using image processing methods. In this context, the use of unmanned aerial vehicles based on thermal infrared (UAV-TIR) images is one of the optimal options for GVM due to the suitable spatial resolution, cost-effective and low volume of images. The methods that have been proposed for vehicle extraction from thermal infrared imaging often experience problems such as low accuracy in detection, segmentation (e.g. HOG+SVM) and also the need for big data training (e.g. deep learning methods). In the present study, a new model, called SegRBM-Net, based on deep learning (DL) and the restricted Boltzmann machine (RBM) is being presented. One of the features of the SegRBM-Net model is the improving accuracy of vehicle detection and segmentation from thermal infrared images by using both convolutional layers and the features of the Gaussian-Bernoulli restricted Boltzmann machine. This structure has led the algorithm to find the target faster and more accurately than other DL methods. To examine the performance of the proposed method, we performed a controlled benchmark (e.g. high density of vehicles scene, and difference in viewing angle) of SegRBM-Net and other DL models on four UAV-TIR image datasets.The results showed that the SegRBM-Net model with a mean accuracy of 99% and improved processing speed compared with similar methods have a good performance. شبکه عصبی کانوولوشنی عمیق, ماشین بولتزمان محدود گوسین - برنولی, قطعه‌بندی معنایی, وسایل نقلیه زمینی, تصاویر مادون‌قرمز حرارتی پهپاد. Convolutional Neural Networks, Gaussian-Bernoulli Restricted Boltzmann Machine, Semantic Segmentation, Ground Vehicle, Thermal Infrared UAV Imagery 77 99 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-124-9&slc_lang=fa&sid=1 Mahdi Khoshboresh Masouleh مهدی خوش برش ماسوله 10031947532846007549 10031947532846007549 No University of Tehran دانشگاه تهران Reza Shah Hosseini رضا شاه حسینی rshahosseini@ut.ac.ir 10031947532846007550 10031947532846007550 Yes University of Tehran دانشگاه تهران