فایل ورد کامل تشخیص سریع مولتی کلاس خودروها در تصاویر هوایی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص سریع مولتی کلاس خودروها در تصاویر هوایی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

۶ نتیجه گیری
ما روشی را ارائه دادیم که می تواند وسایل نقلیه را به همراه اطلاعات جهت و نوع آنها بر روی تصاویر هوایی در عرض چند ثانیه در تصاویر بزرگ، تشخیص دهد. استفاده از ICFs در ساختار softcascade در هر دو سرعت های سریع و عملکرد خوب تشخیص، نتیجه می دهد. دکتور بر روی تصاویر اصلی کار می کند که در آنها هیچ اطلاعاتی در مورد وضوح و ژئورفرنس وجود ندارد. برای کارهای آینده، می توان عملکرد را توسط استفاده از یک شبکه عصبی عمیق پس از استفاده از دکتور دوتایی، بطور بیشتری بهبود بخشید، مانند مناطقی با مشخصات شبکه عصبی Convolutional (R-CNN) که در منبع (۱۵) آورده شده است. از آنجا که این مورد تنها در بخشی از تصاویر کاربرد دارد، سرعت دکتور هنوز هم می تواند سریعتر گردد.

عنوان انگلیسی:Fast multiclass vehicle detection on aerial images~~en~~

VI. CONCLUSION

We have presented a method which can detect vehicles with orientation and type information on aerial images in a few seconds on large images. The application of Integral Channel Features in a Soft Cascade structure results in both good detection performance and fast speed. The detector works on original images where no georeference and resolution information is available. As future work the performance could be further improved by using a deep neural network after the binary detector like R-CNN in [15]. Since this has to be applied only to a fraction of the image, the speed of the detector would be still fast.

$$en!!