RT - Journal Article T1 - A Hybrid Algorithm based on Deep Learning and Restricted Boltzmann Machine for Car Semantic Segmentation from Unmanned Aerial Vehicles (UAVs)-based Thermal Infrared Images JF - kntu-jgit YR - 2020 JO - kntu-jgit VO - 7 IS - 4 UR - http://jgit.kntu.ac.ir/article-1-764-fa.html SP - 77 EP - 99 K1 - Convolutional Neural Networks K1 - Gaussian-Bernoulli Restricted Boltzmann Machine K1 - Semantic Segmentation K1 - Ground Vehicle K1 - Thermal Infrared UAV Imagery AB - 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 HOG+SVM) و نیاز به کلان داده‌های آموزشی (مانند روش‌های یادگیری عمیق) است. در تحقیق حاضر، یک مدل جدید با نام SegRBM-Net بر اساس یادگیری عمیق و ماشین بولتزمان محدود ارائه شده است. از جمله ویژگی‌های مدل SegRBM-Net، 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 SegRBM-Net با دقت میانگین 99 درصد و بهبود سرعت پردازش، نسبت به روش‌های مشابه دارای کارایی مناسبی می‌باشد. LA eng UL http://jgit.kntu.ac.ir/article-1-764-fa.html M3 10.29252/jgit.7.4.77 ER -