فایل ورد کامل یادگیری عمیق برای تشخیص و ردیابی شیء متحرک از یک دوربین مجزا در وسایل نقلیه هوایی بدون سرنشین

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 یادگیری عمیق برای تشخیص و ردیابی شیء متحرک از یک دوربین مجزا در وسایل نقلیه هوایی بدون سرنشین،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۴ صفحه

وسایل نقلیه هوایی بدون سرنشین در یک گستره وسیعی از کاربردهای شهری و نظامی به عمومیت و محبوبیت دست یافته اند. چنین علاقه نوظهور، توسعه سیستمهای اجتناب از برخورد موثر را که به ویژه در شرایط شلوغ هوایی مهم و اساسی هستند موجب می شود. به دلیل محدودیت های هزینه ای و وزنی موجود در بار مفید وسایل نقلیه هوایی بدون سرنشین، حسگرهای نوری، دوربین های ساده دیجیتال به صورت گسترده ای برای سیستمهای اجتناب از برخورد در وسایل نقلیه هوایی بدون سرنشین استفاده می شوند. این امر مستلزم تشخیص حرکت شیء و الگوریتمهای ردیابی از یک ویدیو می باشد که می تواند به صورت کارآمد به صورت آنبورد (در – صفحه) اجرا شود. در این مقاله، ما یک دیدگاه جدیدی برای تشخیص و ردیابی وسایل نقلیه هوایی از یک دوربین مجزای نصب شده روی یک وسیله نقلیه بدون سرنشین متفاوت ارائه می کنیم. در ابتدا ما حرکات زمینه ای را از طریق یک مدل تبدیل نمایی تخمین می زنیم و سپس شیء متحرک را در یک تصویر زمینه ای ازطریق دسته بندی کننده یادگیری عمیق که روی سری های داده ای برچسب گذاری شده به صورت دستی راه اندازی شده است شناسایی می کنیم. برای هر شیء متحرک، ما مشخصه مکانی – زمانی را ازطریق انطباق جریان نوری پیدا می کنیم و سپس آنها را برمبنای الگوهای حرکتی شان درمقایسه با پس زمینه پالایش می کنیم. از فیلتر کالمن روی اشیای متحرک پالایش شده جهت بهبود سازگاری زمانی دربین تشخیص های موردنظر استفاده می شود. این الگوریتم روی سری های داده ای ویدیویی گرفته شده از یک وسیله نقلیه هوایی بدون سرنشین اعتبارسنجی می شود. نتایج نشان می دهند که الگوریتم ما می تواند به صورت موثری وسایل نقلیه هوایی بدون سرنشین کوچک را با منابع محاسباتی محدود تشخیص داده و ردیابی کند.

عنوان انگلیسی:

Deep Learning for Moving Object Detection and Tracking from a Single Camera in Unmanned Aerial Vehicles (UAVs)

~~en~~ writers :

Dong Hye Ye, Jing Li, Qiulin Chen, Juan Wachs, and Charles Bouman

Unmanned Aerial Vehicles (UAVs) gain popularity in a wide
range of civilian and military applications. Such emerging interest is pushing the development of effective collision avoidance
systems which are especially crucial in a crowded airspace setting. Because of cost and weight limitations associated with
UAVs’ payload, the optical sensors, simply digital cameras, are
widely used for collision avoidance systems in UAVs. This requires moving object detection and tracking algorithms from a
video, which can be run on board efficiently. In this paper, we
present a new approach to detect and track UAVs from a single camera mounted on a different UAV. Initially, we estimate
background motions via a perspective transformation model and
then identify moving object candidates in the background subtracted image through deep learning classifier trained on manually labeled datasets. For each moving object candidates, we
find spatiotemporal traits through optical flow matching and then
prune them based on their motion patterns compared with the
background. Kalman filter is applied on pruned moving objects
to improve temporal consistency among the candidate detections.
The algorithm was validated on video datasets taken from a UAV.
Results demonstrate that our algorithm can effectively detect and
track small UAVs with limited computing resources.

$$en!!