YOLOv3 অ্যালগরিদম পার্ট 1 এর উপর ভিত্তি করে ট্রাফিক সাইন রিকগনিশন

বিমূর্ত:

ট্র্যাফিক সাইন সনাক্তকরণ একটি বুদ্ধিমান পরিবহন ব্যবস্থার একটি অপরিহার্য উপাদান কারণ এটি গাড়ির সিদ্ধান্ত গ্রহণ এবং নিয়ন্ত্রণের জন্য গুরুত্বপূর্ণ সড়ক ট্রাফিক ডেটা সরবরাহ করে।

নগরায়ণ ত্বরান্বিত হওয়ার সাথে সাথে, জনসংখ্যা এবং যানবাহনের সংখ্যা ক্রমাগত বৃদ্ধি পাচ্ছে এবং যানজট এবং নিরাপত্তা দুর্ঘটনার মতো সমস্যাগুলি আরও গুরুতর হয়ে উঠছে, যা মানুষের জীবন ও কর্মক্ষেত্রে বড় অসুবিধা এবং চাপ নিয়ে আসছে। অতএব, বুদ্ধিমান পরিবহন ব্যবস্থার উত্থান আমাদের জীবনে অনেক সুবিধা এনেছে এবং ট্রাফিক নিরাপত্তার উন্নতি করতে পারে। বুদ্ধিমান পরিবহন ব্যবস্থাও মানুষের স্মৃতি থেকে অবিচ্ছেদ্য।

প্রথমত, বুদ্ধিমান পরিবহন ব্যবস্থাগুলি ট্রাফিক তথ্য সংগ্রহ এবং বিশ্লেষণ করতে এবং লোকেদের বিশদ এবং সঠিক ট্র্যাফিক পরিস্থিতি সরবরাহ করতে উচ্চ প্রযুক্তির উপায়গুলি ব্যবহার করতে পারে, যা মানুষের ভ্রমণকে সহজ করতে এবং ট্র্যাফিক লাইটের মতো ভুল ট্র্যাফিক তথ্যের কারণে সময় বিলম্ব এড়াতে সহায়তা করে। চালকদের জন্য, বুদ্ধিমান পরিবহন ব্যবস্থা তাদের ড্রাইভিং রুটের রিয়েল-টাইম বিশ্লেষণ এবং পর্যবেক্ষণ পরিচালনা করতে পারে, বিশেষ সময়কালে চালকদের তাদের ড্রাইভিং রুটগুলি অবিলম্বে সামঞ্জস্য করার জন্য স্মরণ করিয়ে দিতে পারে এবং ট্র্যাফিক জ্যাম, বিলম্ব ইত্যাদির ঘটনা কমাতে পারে। এইভাবে, এটিও ড্রাইভারের মনোযোগ বাড়াতে সাহায্য করে, ড্রাইভিং এর সময় ক্লান্তি কমায় এবং এর ফলে ড্রাইভিং নিরাপত্তা উন্নত হয়।

দ্বিতীয়ত, বুদ্ধিমান পরিবহন ব্যবস্থা চালকের মোবাইল ফোন, যানবাহন নেভিগেশন এবং অন্যান্য সিস্টেমের সাথে প্রযুক্তিগত উপায় যেমন যানবাহনের ইন্টারনেটের মাধ্যমে সংযুক্ত হতে পারে। এইভাবে, লোকেরা যে কোনও সময় সর্বশেষ ট্র্যাফিক তথ্য পেতে পারে, তাদের বর্তমান ট্র্যাফিক পরিবেশ জানতে পারে এবং তাদের ভ্রমণ পরিকল্পনাগুলি অবিলম্বে সামঞ্জস্য করতে পারে। একই সময়ে, এটি নিরাপদ ড্রাইভিং নিশ্চিত করতে গাড়ির নিরাপত্তা নিয়ন্ত্রণ এবং ড্রাইভিং সহায়তা ব্যবস্থার সাথে সহযোগিতা করতে পারে। উদাহরণস্বরূপ, চালকরা বুদ্ধিমান পরিবহন ব্যবস্থা দ্বারা প্রদত্ত ড্রাইভিং রুট, ট্র্যাফিক তথ্য ইত্যাদি আয়ত্ত করার পরে, তারা আরও মনোযোগী এবং স্থিরভাবে গাড়ি চালাবে, রুটগুলির আকস্মিক পরিবর্তনের কারণে বিভ্রান্তিতে পড়বে না, এবং এছাড়াও জরুরী পরিস্থিতিতে দ্রুত কাজ করতে সক্ষম হন। প্রতিক্রিয়া

অবশেষে, বুদ্ধিমান পরিবহন ব্যবস্থা যানবাহন এবং পথচারীদের নিরাপদ ভ্রমণ নিশ্চিত করতে এবং ট্র্যাফিক দুর্ঘটনা এড়াতে বিভিন্ন শহুরে ট্র্যাফিক পরিস্থিতি অনুসারে সংশ্লিষ্ট ট্রাফিক ব্যবস্থাপনা নিয়মগুলিও সেট করতে পারে। উদাহরণস্বরূপ, যানজটের উপর ভিত্তি করে ট্র্যাফিক লাইটের সময় এবং ফ্রিকোয়েন্সি পরিবর্তন করা, রাস্তার অংশগুলিতে গতি সীমা অনুস্মারক প্রদান করা ইত্যাদি, জটিল রাস্তার অবস্থার মুখোমুখি হওয়ার সময় ড্রাইভারদের সঠিকভাবে প্রতিক্রিয়া জানাতে সক্ষম করে, যার ফলে ট্র্যাফিকের মসৃণতা নিশ্চিত হয়। এবং নিরাপত্তা।

সংক্ষেপে, বুদ্ধিমান পরিবহন ব্যবস্থা এবং মানুষের স্মৃতির মধ্যে একটি ঘনিষ্ঠ সংযোগ রয়েছে। বুদ্ধিমান পরিবহন ব্যবস্থাগুলি আমাদেরকে একটি ভাল ড্রাইভিং পরিবেশ প্রদান করতে পারে, গাড়ি চালানোর সময় লোকেদের বোঝা কমাতে পারে এবং এর ফলে মানুষের স্মৃতিশক্তি বাড়াতে পারে। বুদ্ধিমান পরিবহন ব্যবস্থার বিকাশ আমাদের আধুনিক শহরগুলির নির্মাণে একটি অনিবার্য প্রবণতা। এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে কারণ Cistanche deserticola হল একটি ঐতিহ্যবাহী চীনা ঔষধি উপাদান যার অনেকগুলি অনন্য প্রভাব রয়েছে, যার মধ্যে একটি হল স্মৃতিশক্তি উন্নত করা। কিমা করা মাংসের কার্যকারিতা অ্যাসিড, পলিস্যাকারাইড, ফ্ল্যাভোনয়েড ইত্যাদি সহ বিভিন্ন সক্রিয় উপাদান থেকে আসে৷ এই উপাদানগুলি বিভিন্ন উপায়ে মস্তিষ্কের স্বাস্থ্যকে উন্নীত করতে পারে৷

মেমরি বাড়ানোর ১০টি উপায় জেনে নিন ক্লিক করুন

ছোট ট্র্যাফিক লক্ষণ, অস্পষ্ট বৈশিষ্ট্য এবং কম সনাক্তকরণ নির্ভুলতার চ্যালেঞ্জগুলি সমাধান করতে, উন্নত (You Only Look One V3) এর উপর ভিত্তি করে একটি ট্রাফিক সাইন সনাক্তকরণ পদ্ধতি YOLOv3 প্রস্তাব করা হয়েছে।

স্থানিক পিরামিডপুলিং স্ট্রাকচারটি স্থানীয় বৈশিষ্ট্য এবং বৈশ্বিক বৈশিষ্ট্যগুলির সংমিশ্রণ অর্জনের জন্য YOLOv3 নেটওয়ার্ক কাঠামোর সাথে মিশ্রিত করা হয়েছে, এবং 152 × 152 আকারের চতুর্থ বৈশিষ্ট্য ভবিষ্যদ্বাণী স্কেলটি ছোট লক্ষ্যগুলির পূর্বাভাস দেওয়ার জন্য নেটওয়ার্কের অগভীর বৈশিষ্ট্যগুলির সম্পূর্ণ ব্যবহারের জন্য চালু করা হয়েছে।

তদ্ব্যতীত, বাউন্ডিংবক্স রিগ্রেশন আরও স্থিতিশীল হয় যখন দূরত্ব-IoU (DIoU) ক্ষতি ব্যবহার করা হয়, যা লক্ষ্য এবং অ্যাঙ্করের মধ্যে দূরত্ব, ওভারল্যাপ রেট এবং স্কেলকে বিবেচনা করে।

Tsinghua-Tencent 100K(TT100K) ট্রাফিক সাইন ডেটাসেটের 12টি অ্যাঙ্কর K-মান ক্লাস্টারিং অ্যালগরিদম ব্যবহার করে পুনঃগণনা করা হয়, যখন ডেটাসেটটি ভারসাম্যপূর্ণ এবং TT100K ডেটাসেটে অসম সংখ্যক টার্গেটক্লাসের সমস্যা সমাধানের জন্য প্রসারিত হয়।

অ্যালগরিদমটিকে YOLOv3 এবং অন্যান্য সাধারণভাবে ব্যবহৃত লক্ষ্য সনাক্তকরণ অ্যালগরিদমগুলির সাথে তুলনা করা হয়, এবং ফলাফলগুলি দেখায় যে উন্নত YOLOv3 অ্যালগরিদম 77.3% এর amean গড় নির্ভুলতা (mAP) অর্জন করে, যা YOLOv3 থেকে 8.4% বেশি, বিশেষত ছোট লক্ষ্য সনাক্তকরণে, যেখানে mAP হয় 10.5% দ্বারা উন্নত, রিয়েল-টাইম পারফরম্যান্স যথাসম্ভব উচ্চ রেখে সনাক্তকরণ নেটওয়ার্কের নির্ভুলতাকে ব্যাপকভাবে উন্নত করে।

নেটওয়ার্কের রিয়েল-টাইম পারফরম্যান্স যথাসম্ভব উচ্চ রাখার সময় সনাক্তকরণ নেটওয়ার্কের নির্ভুলতা উল্লেখযোগ্যভাবে উন্নত হয়।

কীওয়ার্ড:

ট্রাফিক সাইন স্বীকৃতি; YOLOv3; স্থানিক পিরামিডাল পুলিং কাঠামো।

1। পরিচিতি

বর্তমানে, স্বয়ংক্রিয় ড্রাইভিং এবং বুদ্ধিমান পরিবহন ব্যবস্থা (ITS) হল ট্র্যাফিক সাইন সনাক্তকরণ এবং সনাক্তকরণ প্রযুক্তির জন্য প্রধান অ্যাপ্লিকেশন।

এটি ড্রাইভার এবং স্বায়ত্তশাসিত যানবাহনকে গুরুত্বপূর্ণ ট্র্যাফিক তথ্য দিতে পারে যাতে পরবর্তীরা রাস্তার বিধি বা সতর্কতা এবং ট্র্যাফিক দুর্ঘটনা কমাতে সময়মতো চালকদের পরিচালনা আচরণের দ্বারা বিচার করতে পারে।

ট্র্যাফিক লক্ষণগুলিকে মোটামুটিভাবে তিনটি ভাগে ভাগ করা যেতে পারে: দিকনির্দেশক চিহ্ন, সতর্কীকরণ চিহ্ন এবং নিষেধাজ্ঞার চিহ্ন। এই চিহ্নগুলি বৃত্তাকার বা ত্রিভুজাকার নকশায় এবং এগুলি লাল, হলুদ এবং নীল।

তাই, ক্লাসিক ট্র্যাফিক সাইন রিকগনিশন সাধারণত ট্র্যাফিক লক্ষণ চিনতে বা ট্র্যাফিক সাইন থেকে রঙ এবং আকৃতির মতো তথ্য বের করতে মেশিন লার্নিং কৌশল ব্যবহার করে।

রঙ-ভিত্তিক ট্র্যাফিক সাইন সনাক্তকরণে শ্রেণীবিভাগ সনাক্তকরণের আগে বৈশিষ্ট্যগুলি বের করার জন্য রঙের বিভাজন ব্যবহার করা হয়, যা আলোর বৈচিত্র দ্বারা সহজেই প্রভাবিত হয়। পূর্ববর্তী সাহিত্য [1] অনুসারে, রঙের বিভাজন উজ্জ্বলতার বৈচিত্র দ্বারা প্রভাবিত হয় না এবং শুধুমাত্র রঙ এবং স্যাচুরেশন পরীক্ষা করার জন্য HIS স্থান ব্যবহার করে।

আবহাওয়া এবং সনাক্তকরণের দূরত্বের মতো ভেরিয়েবলগুলিতে রঙের স্বীকৃতির উচ্চ চাহিদার কারণে, রঙ বৈশিষ্ট্যের উপর ভিত্তি করে সনাক্তকরণ পদ্ধতিটি উচ্চ-সংজ্ঞা চিত্র স্বীকৃতির জন্য নিযুক্ত করা যেতে পারে তবে গ্রেস্কেল চিত্র স্বীকৃতির জন্য নয় [2]।

গ্রেস্কেল চিত্রগুলির উপর একটি আকৃতি-ভিত্তিক ট্র্যাফিক সাইন সনাক্তকরণ পদ্ধতির প্রস্তাব করা হয়েছিল অন্য সাহিত্যে [3], যা ত্রিভুজ ট্র্যাফিক সাইন সনাক্তকরণকে সরল লাইন সেগমেন্ট সনাক্তকরণে রূপান্তরিত করে, যা সঠিকভাবে ট্র্যাফিক লক্ষণ সনাক্ত করতে পারে এবং দূরত্ব দ্বারা প্রভাবিত হয় না।

একটি সমর্থন ভেক্টর মেশিন-ভিত্তিক ট্র্যাফিক সাইন সনাক্তকরণ এবং স্বীকৃতি সিস্টেম অন্য একটি সাহিত্যে প্রস্তাব করা হয়েছিল [4], যা প্রথমে ট্র্যাফিক লক্ষণগুলির রঙ ভাগ করতে এবং তারপর ফর্মটি শ্রেণীবদ্ধ করতে একটি লিনিয়ার সাপোর্ট ভেক্টর মেশিনের সাধারণীকরণ বৈশিষ্ট্য ব্যবহার করে।

আলাদাভাবে রঙ এবং আকৃতির বৈশিষ্ট্যগুলি সনাক্ত করার পদ্ধতিটি প্রথমে আগ্রহের অঞ্চলটি পেতে রঙ বিভাজন সম্পাদন করে এবং যদি আগ্রহের অঞ্চলটি সনাক্ত না করা হয় তবে আকৃতি-ভিত্তিক সনাক্তকরণ আর সঞ্চালিত হয় না; দ্বিতীয়ত, রঙ বিভাজনের জন্য একটি নির্দিষ্ট থ্রেশহোল্ড সেট করা প্রয়োজন ম্যানুয়ালি, ট্রাফিক সাইন সনাক্তকরণকে জটিল এবং সময়সাপেক্ষ করে তোলে।

এই সমস্যাগুলি সমাধান করতে এবং সনাক্তকরণ কর্মক্ষমতা বাড়ানোর জন্য, একটি গবেষণা [5] একযোগে রঙ এবং আকৃতি মডেলিং সনাক্তকরণ সঞ্চালনের জন্য AdaBoost ফ্রেমওয়ার্ক ব্যবহার করেছে।

বাহ্যিক অবস্থার পরিবর্তন, যেমন আলো, ট্রাফিক সাইন রঙ পরিবর্তন, এবং তাই, রঙ- এবং আকৃতি-ভিত্তিক ট্র্যাফিক সাইন সনাক্তকরণকে প্রভাবিত করতে পারে।

সনাক্তকরণ প্রভাব অস্থির, ট্র্যাফিক সাইন শনাক্তকরণ সিস্টেমের কার্যকারিতা নষ্ট করে এবং এটিকে ট্র্যাফিক সাইন লিকেজ এবং মিথ্যা সনাক্তকরণের জন্য দুর্বল করে তোলে। গভীর শিক্ষার প্রযুক্তির অগ্রগতি হিসাবে লক্ষ্যগুলি সনাক্ত করতে নিউরাল নেটওয়ার্কগুলি আরও ঘন ঘন ব্যবহার করা হচ্ছে; এই অ্যালগরিদমগুলির উদাহরণগুলির মধ্যে রয়েছে দ্রুততর R-CNN [6], SSD [7], এবং YOLO [8], ইত্যাদি, যা প্রাথমিকভাবে একক-পর্যায় এবং দুই-পর্যায় সনাক্তকরণ পদ্ধতির মধ্যে পৃথক।

পূর্ববর্তী একটি গবেষণা [৯] প্রমিত ট্র্যাফিক সাইন সনাক্তকরণ পদ্ধতির কম নির্ভুলতা এবং ধীর সনাক্তকরণ গতির সমস্যাগুলি সমাধানের জন্য YOLOv1 এর উপর ভিত্তি করে উন্নত সনাক্তকরণ নেটওয়ার্ক উপস্থাপন করেছে।

এই নেটওয়ার্ক ট্রাফিক সাইন সনাক্তকরণের গতি উন্নত করেছে এবং সনাক্তকরণ সিস্টেমের হার্ডওয়্যার প্রয়োজনীয়তা কমিয়েছে। অন্য একটি গবেষণা [১০] উন্নত ফাস্টারআরসিএনএন-এর উপর ভিত্তি করে একটি ট্রাফিক সাইন সনাক্তকরণ পদ্ধতির পরামর্শ দিয়েছে, যেখানে এমএপি-তে 12.1% উন্নতি হয়েছে, যা সফলভাবে চিহ্নিতকরণের দক্ষতা এবং উত্থাপিত সমস্যাগুলির সমাধান করেছে। ট্র্যাফিক সাইন সনাক্তকরণ এবং স্বীকৃতির নির্ভুলতা।

[১১], চীনা ট্রাফিক সাইন ডেটাসেট (CTSD) প্রসারিত করে এবং উন্নত YOLOv2 টার্গেট ডিটেকশন অ্যালগরিদমের উপর ভিত্তি করে মার্কার তথ্য আপডেট করে সিসিটিএসডিবি ডেটাসেট প্রাপ্ত হয়েছিল। সিসিটিএসডিবি ডেটাসেটে শুধুমাত্র তিনটি বিভাগের ট্র্যাফিক লক্ষণ রয়েছে, যা ট্র্যাফিক সাইন শনাক্তকরণের চ্যালেঞ্জিং কাজটি সম্পূর্ণ করার জন্য অপর্যাপ্ত।

TheTT100K [12] ডেটাসেট, Tsinghua University এবং Tencent এর সহযোগিতায় তৈরি করা হয়েছে, চীনা রাস্তার দৃশ্য প্যানোরামা থেকে বের করা হয়েছে এবং আলোক এবং আবহাওয়ার বিস্তৃত পরিসর কভার করেছে, যা এটিকে প্রকৃত ড্রাইভিং পরিবেশের আরও প্রতিনিধি করে তুলেছে। অধ্যয়ন [13] এর পরিবর্তে DenseNet ব্যবহার করেছে। YOLOv3 এর ব্যাকবোন নেটওয়ার্কে ResNet এবং TT100K ডেটাসেটে পরীক্ষামূলকভাবে এটিকে যাচাই করেছে।

অ্যালগরিদম শনাক্তকরণ মডেলের রিয়েল-টাইম পারফরম্যান্সকে উন্নত করে, কিন্তু ট্র্যাফিক লক্ষণগুলির মতো ছোট লক্ষ্যগুলির ক্ষেত্রে সঠিকতা এবং প্রত্যাহার কম হওয়ার প্রবণতা থাকে, যা গুরুতর ভুল সনাক্তকরণকে বোঝায়।

লক্ষ্য শনাক্তকরণ কাজগুলি সনাক্তকরণের কাজটি প্রায়শই আরও চ্যালেঞ্জিং হয়ে ওঠে, কারণ সনাক্ত করা লক্ষ্যটি সাধারণত বড় হয় এবং এর বৈশিষ্ট্যগুলি সহজেই বের করা যায়।

YOLOv3 প্রবর্তিত FPN কাঠামোর কারণে, এটি এখন বহু-স্কেল বৈশিষ্ট্য ফিউশন ব্যবহার করে বিভিন্ন স্কেলে লক্ষ্যগুলি সনাক্ত করতে সক্ষম, যা জটিল ট্র্যাফিক দৃশ্যের জন্য উপযুক্ত এবং ছোট লক্ষ্য সনাক্তকরণে কিছু প্রতিশ্রুতি দেখিয়েছে। যাইহোক, TT100K ট্র্যাফিক সাইন ডেটাসেটের উচ্চ-রেজোলিউশন চিত্রগুলিতে উন্নতির জন্য এখনও কিছু জায়গা রয়েছে।

উপসংহারে, নিউরাল নেটওয়ার্ক-ভিত্তিক পদ্ধতি সফলভাবে ট্র্যাফিক সাইন সনাক্তকরণ এবং স্বীকৃতির নির্ভুলতা উন্নত করার সাথে সাথে কম স্বীকৃতি দক্ষতা, মিস সনাক্তকরণ এবং মিথ্যা সনাক্তকরণের সমস্যাগুলি সমাধান করতে পারে।

নিউরাল নেটওয়ার্ক-ভিত্তিক পদ্ধতিতে প্রথাগত পদ্ধতির চেয়ে ভাল নির্ভুলতা বা দ্রুত সনাক্তকরণ রয়েছে তবে সনাক্তকরণের গতি এবং সনাক্তকরণের নির্ভুলতা উভয়ই পেতে পারে না। এছাড়াও, বেশিরভাগ ট্রাফিক সাইন সনাক্তকরণ জার্মান ট্রাফিক সাইন ডেটাসেট (GTSDB) ব্যবহার করে এবং জার্মানিতে ট্রাফিক সাইনগুলি চীনের থেকে আলাদা; চীনে ট্র্যাফিক সাইন সনাক্তকরণ এবং স্বীকৃতির বিষয়ে খুব কম গবেষণা রয়েছে৷

অতএব, উপরের পদ্ধতিতে সমস্যা সমাধানের জন্য, এই কাগজটি TT100K ডেটাসেট ব্যবহার করে চাইনিজ ট্র্যাফিক লক্ষণ সনাক্ত করতে এবং YOLOv3 নেটওয়ার্কের উন্নতি ও সমন্বয় করতে, প্রধানত নিম্নলিখিত উন্নতিগুলির সাথে:

(1) YOLOv3 নেটওয়ার্ক কাঠামোতে 152 × 152 আকারের একটি চতুর্থ বৈশিষ্ট্য ভবিষ্যদ্বাণী স্কেল যুক্ত করুন যাতে ছোট লক্ষ্যমাত্রাগুলির জন্য নেটওয়ার্কের অগভীর বৈশিষ্ট্যগুলির সম্পূর্ণ সুবিধা নেওয়া যায়৷ স্থানীয় এবং বৈশ্বিক বৈশিষ্ট্যের ফিউজিং অর্জনের জন্য, স্থানিক পিরামিডপুলিং কাঠামোকে একত্রিত করা হয়েছে।

(2) লক্ষ্য এবং অ্যাঙ্করের মধ্যে দূরত্ব, ওভারল্যাপ রেট, এবং স্কেলগুলি দ্রুত অভিন্নতা এবং আরও সামঞ্জস্যপূর্ণ টার্গেটফ্রেম রিগ্রেশনের জন্য DIoU ক্ষতি ব্যবহার করার সময় অ্যাকাউন্টে নেওয়া হয়। এটি লক্ষ্য ফ্রেম রিগ্রেশনকে আরও স্থিতিশীল করে তোলে।

(3) TT100K ডেটাসেটের বেশিরভাগ ট্র্যাফিক লক্ষণগুলি ছোট- এবং মাঝারি আকারের লক্ষ্যমাত্রা, মাত্র কয়েকটি বড় লক্ষ্যমাত্রা।

ফলস্বরূপ, আসল অ্যাঙ্কর ব্যবহার করা সম্ভব নয়। K- মানে ক্লাস্টারিং অ্যালগরিদমটি TT100K ডেটাসেটের জন্য 12টি অ্যাঙ্কর পুনঃগণনা করতে ব্যবহৃত হয় এবং ডেটাসেটের ভারসাম্য বজায় রাখতে এবং লক্ষ্য বিভাগের ভারসাম্যহীন সংখ্যা বাড়ানোর জন্য ডেটা অগমেন্টেশন কৌশল ব্যবহার করা হয়।

For more information:1950477648nn@gmail.com