YOLOv3 অ্যালগরিদম পার্ট 3 এর উপর ভিত্তি করে ট্রাফিক সাইন রিকগনিশন
Jan 19, 2024
3.3। কে-মিনস ক্লাস্টারিং অ্যালগরিদমের উপর ভিত্তি করে প্রিওরি ফ্রেম তৈরি করা
অ্যাঙ্কর মেকানিজমটি YOLOv2-এ প্রয়োগ করা হয়েছিল এবং YOLOv3-এ অ্যাঙ্করগুলির সংখ্যা বাড়িয়ে নয়টি করা হয়েছিল যাতে জেনুইন লেবেলযুক্ত ফ্রেমের সাথে জেনারেট করা প্রার্থী অঞ্চলগুলিকে আরও বেশি অনুরূপ করা যায় এবং সনাক্তকরণ নেটওয়ার্কের প্রত্যাহার বৃদ্ধি করা হয়।
চিহ্নিত ফ্রেম এবং মেমরি মধ্যে একটি শক্তিশালী সম্পর্ক আছে. ফ্রেম চিহ্নিত করা আমাদেরকে একটি স্থির, নিয়মিত এবং সুশৃঙ্খল মেমরি ফ্রেমওয়ার্ক প্রতিষ্ঠা করতে সাহায্য করতে পারে, যাতে প্রচুর পরিমাণে তথ্য মনে রাখা সহজ হয়। উদাহরণস্বরূপ, একটি ভাষা শেখার সময়, আমরা নতুন শব্দ এবং ব্যাকরণের নিয়মগুলি মুখস্ত করার জন্য চিহ্নিত ফ্রেম ব্যবহার করতে পারি। ইতিহাস পর্যালোচনা করার সময়, আমরা ঐতিহাসিক ঘটনা এবং সময়রেখা মনে রাখার জন্য চিহ্নিত ফ্রেম ব্যবহার করতে পারি। এইভাবে, আমরা বিমূর্ত জ্ঞানকে আরও সুনির্দিষ্ট এবং বোধগম্য করতে পারি।
একই সময়ে, ফ্রেম চিহ্নিত করা আমাদের মস্তিষ্কের সহযোগী ক্ষমতাকেও উদ্দীপিত করতে পারে, যার ফলে আমাদের স্মৃতিশক্তি বৃদ্ধি পায়। কারণ আমাদের মেমরি অ্যাসোসিয়েশন এবং সংযোগের উপর ভিত্তি করে, চিহ্নিত ফ্রেম স্থাপন করে, আমরা আরও স্বাভাবিকভাবে নতুন জ্ঞানকে বিদ্যমান জ্ঞানের সাথে সংযুক্ত করতে পারি, স্মৃতি এবং বোঝার গভীরতা বাড়াতে পারি।
মানুষের স্মৃতিশক্তি প্রশিক্ষিত এবং উন্নত করা যেতে পারে। ক্রমাগত অনুশীলন এবং ফ্রেম চিহ্নিত করার মতো মেমরি কৌশল ব্যবহারের মাধ্যমে, আমরা আমাদের স্মৃতিশক্তি উন্নত করতে পারি এবং জীবন ও কাজের জটিল তথ্য এবং কাজগুলিকে আরও ভালভাবে মোকাবেলা করতে পারি।
সংক্ষেপে, ফ্রেম চিহ্নিত করা একটি খুব কার্যকর মেমরি কৌশল। এটি আমাদের আরও দ্রুত এবং সঠিকভাবে গুরুত্বপূর্ণ তথ্য মনে রাখতে সাহায্য করতে পারে। এটি আমাদের সহযোগী ক্ষমতাকে উদ্দীপিত করতে পারে এবং আমাদের স্মৃতিশক্তি উন্নত করতে পারে। আমাদের মেমরি দক্ষতা ক্রমাগত উন্নত করতে সক্রিয়ভাবে চিহ্নিত ফ্রেম ব্যবহার করা যাক! এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে কারণ Cistanche deserticola 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
স্বল্পমেয়াদী মেমরি উন্নত করতে Know এ ক্লিক করুন
আসল অ্যাঙ্কর ব্যবহার করা উপযুক্ত ছিল না, যেহেতু ট্র্যাফিক লক্ষণগুলি প্রাথমিকভাবে ছোট এবং মাঝারি লক্ষ্য, TT100K ডেটাসেটে কম বড় লক্ষ্যগুলির সাথে। একটি নির্দিষ্ট ডেটাসেটের জন্য, একটি উপযুক্ত প্রারম্ভিক অ্যাঙ্কর নির্বাচন করা সনাক্তকরণ প্রভাবকে উন্নত করতে পারে, নেটওয়ার্ক শিখতে সহজ করে তোলে এবং বাউন্ডিং বাক্সের সনাক্তকরণের হার বাড়ায়।
ক্যান্ডিডেটবক্সগুলি পেতে K- মানে ক্লাস্টারিং অ্যালগরিদমের প্রবাহ চিত্র 7-এ দেখানো হয়েছে।
TT100K ডেটাসেটে, উন্নত YOLOv3 নেটওয়ার্ক কাঠামোতে একটি বৈশিষ্ট্য ভবিষ্যদ্বাণী স্কেল অন্তর্ভুক্ত ছিল, যার ফলে চারটি স্কেল এবং বারোটি অ্যাঙ্কর রয়েছে: (4, 5), (5, 6), (7, 7), (7, 13), (8, 8), (9, 10), (11, 12), (13, 14), (16, 17), (20, 22), (27, 29), এবং (41, 44)।
4. পরীক্ষা এবং ফলাফল বিশ্লেষণ
4.1। ডেটাসেট এবং মূল্যায়ন সূচক
কিছু বড়, সর্বজনীনভাবে উপলব্ধ ট্রাফিক সাইন ডেটাসেট রয়েছে, যার বেশিরভাগই GTSDB ব্যবহার করে, কিন্তু GTSDB চীনা ট্র্যাফিক চিহ্নগুলির মতো নয়। CTSDB, CCTSDB, এবং TT100K, অন্যদের মধ্যে, হল চাইনিজ ট্রাফিক সাইন ডেটাসেট।
CTSDB-এর উপর ভিত্তি করে CCTSDB প্রসারিত করা হয়েছিল, এবং এর বিভাগগুলিকে ট্র্যাফিক লক্ষণগুলির বিশদ শ্রেণীবিভাগ ছাড়াই সতর্কীকরণ চিহ্ন, নির্দেশমূলক চিহ্ন এবং নিষেধাজ্ঞার চিহ্নগুলিতে বিভক্ত করা হয়েছিল।
Tencent এবং Tsinghua University এর মধ্যে সহযোগিতায় TT100K ট্রাফিক সাইন সংগ্রহ তৈরি করা হয়েছে। এটি ট্র্যাফিক লক্ষণগুলির পুঙ্খানুপুঙ্খ শ্রেণীবিভাগ এবং সনাক্তকরণের প্রস্তাব দিয়েছে, বিভিন্ন জলবায়ু এবং আলোর পরিস্থিতি কভার করেছে এবং প্রকৃত ড্রাইভিং পরিস্থিতিগুলির জন্য আরও সঠিক ছিল৷
অতএব, এই কাগজে TT100K ট্রাফিক সাইন ডেটাসেট ব্যবহার করা হয়েছিল, এবং কিছু ট্র্যাফিক লক্ষণ এবং বিভাগের তথ্য চিত্র 8 এ দেখানো হয়েছে।
TT100K ডেটাসেটে 2048 x 2048 পিক্সেল রেজোলিউশন সহ 100,000 ফটো রয়েছে, যদিও সেখানে লেবেলবিহীন ট্র্যাফিক সাইন ইমেজ রয়েছে, এবং কিছু বিভাগে শুধুমাত্র কয়েকটি ছবি বা ডুপ্লিকেট ছবি রয়েছে, যা সনাক্তকরণের প্রভাবকে হ্রাস করে।
অতএব, এই কাগজটি ডেটাসেট থেকে লেবেলবিহীন এবং সদৃশ ট্র্যাফিক সাইন ইমেজগুলিকে সরিয়েছে এবং 45টি বিভাগ নির্বাচন করেছে যাতে ট্রাফিক সাইনগুলির একটি উচ্চ সংখ্যা ছিল, যেখানে 45টি ট্রাফিক সাইন বিভাগ ছিল: pn, pne, i5, pll, pl40, po, pl50, pl80 , io, pl60, p26, i4, pll00, pl30, il60, l5, i2, w57, p5, p10, ip, pl120, il80, p23, pr40.ph4। 5, w59, p12, p3, w55। pm20, pl20, pg, pl70, pm55, il100, p27, w13, p19, ph4, ph5, wo, p6.pm30, এবং w32, এবং প্রতিটি ট্রাফিক সাইন বিভাগের সংখ্যা চিত্র 9 এ দেখানো হয়েছে।
চিত্র 9 দেখায় যে এমনকি যদি 45টি শ্রেণীতে প্রচুর সংখ্যক ট্র্যাফিক চিহ্ন রয়েছে, তবুও প্রতিটি বিভাগের মধ্যে ডেটার পরিমাণে একটি উল্লেখযোগ্য ভারসাম্যহীনতা ছিল, যার ফলে মডেলের ভবিষ্যদ্বাণীর নির্ভুলতা দুর্বল। ফলস্বরূপ, চিত্র 10-এ চিত্রিত হিসাবে, এই কাজটি ডেটাসেটকে ভারসাম্যপূর্ণ এবং প্রসারিত করেছে যেমন রঙ বিভাজন, গাউসিয়ান নয়েজ, এবং চিত্র ঘূর্ণনের মতো কৌশলগুলি ব্যবহার করে যাতে প্রতিটি বিভাগের পরিমাণ সম্ভাব্য সমান ছিল।
মোজাইক অ্যাপ্রোচ এক সময়ে চারটি ছবি পড়ে, প্রতিটি ছবির কালার গামুটকে স্কেল করে এবং পরিবর্তন করে, চার দিকে সাজায় এবং তারপরে টার্গেটের সত্যিকারের ফ্রেম তৈরি করতে ছবিগুলোকে একত্রে সেলাই করে।
বর্ধিতকরণ পদ্ধতিটি চারটি চিত্র সেলাই করে, একটি ইনপুট সহ চারটি চিত্রের পরামিতি গণনার সমতুল্য। এটি ব্যাচ ইনপুটের জন্য চিত্রের সংখ্যা কমাতে পারে, প্রশিক্ষণের অসুবিধা এবং প্রশিক্ষণের খরচ কমাতে পারে, প্রশিক্ষণের গতি উন্নত করতে পারে এবং ডেটাসেটে নমুনার সংখ্যাকে ব্যাপকভাবে সমৃদ্ধ করতে পারে, যা শেখার জন্য সহায়ক।
এই কাগজে, COCO ডেটাসেটের মূল্যায়ন মেট্রিক্স, যার মধ্যে mAPou - 050APs, APM, AP, এবং অন্যান্য বেশ কিছু মেট্রিক্স, মডেলের কর্মক্ষমতা মূল্যায়নের জন্য ব্যবহার করা হয়েছিল। বিশেষ করে, TT100K ট্র্যাফিক সাইন ডেটাসেটের বেশিরভাগ ট্র্যাফিক চিহ্নগুলি ছোট লক্ষ্যগুলির অন্তর্গত, তাই ছোট লক্ষ্যগুলির সনাক্তকরণের নির্ভুলতার দিকে বিশেষ মনোযোগ দেওয়া প্রয়োজন৷ মূল্যায়ন মেট্রিক্সের নির্দিষ্ট অর্থ নিম্নরূপ:
AP: PR বক্ররেখার নীচের এলাকা, যেখানে PR যথাক্রমে যথার্থ এবং প্রত্যাহার:
API {{0}.50: যখন IoU থ্রেশহোল্ড 0.50 এ সেট করা হয়, তখন এটি ডেটাসেটে AP-এর সমস্ত বিভাগের গড়, যা PASCAL VOC ডেটাসেটের মূল্যায়ন সূচক এবং এর সাথে সম্পর্কিত COCO মূল্যায়ন সূচকে APIoU=0.50 এ PASCAL VOC ডেটাসেট এবং COCO মূল্যায়ন সূচকে APloU=0.5 এর সাথে মিলে যায়৷
APs: ছোট বস্তুর জন্য mAP-এর গড় মান: এলাকা < 322, এবং loU=পরিসর (0.5, 100, 0.05) মোটের জন্য 10 oUs.
APm: মাঝারি বস্তু: 322 < এলাকা < 962, এবং loU=পরিসর (0.5, 1.00, 0.05) একটির জন্য mAP-এর গড় মান মোট 10 IoU
AP: বড় বস্তুর জন্য mAP-এর গড় মান: এলাকা > 962, এবং loU=পরিসর (0.5, 1.00, 0.05 মোট ১০টির জন্য আইওইউ।
4.2। পরীক্ষামূলক ফলাফল এবং বিশ্লেষণ
4.2.1। উন্নত YOLOv3 তুলনা পরীক্ষা
উন্নত পদ্ধতি সহ তিনটি YOLOv3 নেটওয়ার্ক তুলনা করা হয়েছে এবং এই গবেষণায় পরীক্ষা করা হয়েছে, TT100K ট্রাফিক সাইন ডেটাসেট এবং 608 × 608 পিক্সেলসিন আকারের ইনপুট চিত্রগুলি ব্যবহার করে। চিত্র 11 TT100 ডেটাসেটে প্রশিক্ষণপ্রাপ্ত M-YOLOv3 এর মানচিত্র এবং AR প্রদর্শন করে।
বিভিন্ন আকারের লক্ষ্যগুলির সনাক্তকরণের ফলাফলগুলি চিত্র 12 এবং সারণি 1-এ দেখানো হয়েছে। এর মধ্যে, YOLOv3-DK লস ফাংশন DIoU ক্ষতি এবং পুনরায় ক্লাস্টারিং অ্যাঙ্কর উন্নত করার কৌশল গ্রহণ করেছে; YOLOv3-SPP পিরামিডপুলিং কাঠামোর ফিউশন স্পেস কৌশল গ্রহণ করেছে; YOLOv3-4l 152 × 152 স্কেল সহ চতুর্থ ভবিষ্যদ্বাণী বৈশিষ্ট্য স্তর যুক্ত করার কৌশল গ্রহণ করেছি; এবং M-YOLOv3 সমস্ত উন্নত কৌশল ব্যবহার করে YOLOv3 নেটওয়ার্ক কাঠামো ছিল।
সারণি 1 এবং চিত্র 12 দেখায় যে কোনো কৌশল ব্যবহার না করেই আসল YOLOv3-এর গড় গড় নির্ভুলতা ছিল 68.9%। বিপরীতে, সমস্ত পদ্ধতি সহ আপগ্রেড করা YOLOv3 এর মানচিত্র ছিল 77.3%, সনাক্তকরণে 8.4% উন্নতি৷
DIoU ক্ষতি ফাংশন এবং পুনরায় ক্লাস্টারিং অ্যাঙ্কর কৌশল 1.3% দ্বারা সনাক্তকরণের নির্ভুলতা উন্নত করেছে; যাইহোক, প্রশিক্ষণের সময় দ্রুত লস ফাংশন কনভারজেন্সের কারণে উন্নতি হয়েছে, যা টার্গেট বক্স রিগ্রেশনকে আরও স্থিতিশীল করে তুলেছে এবং প্রত্যাহার হারকে উন্নত করেছে। YOLOv3-তে MAP-তে আরও স্পষ্ট উন্নতি দেখা গেছে, যার মধ্যে একটি SPP কাঠামো অন্তর্ভুক্ত ছিল এবং 73.2% অর্জন করেছে।
SPP কাঠামো স্থানীয় এবং বৈশ্বিক বৈশিষ্ট্যগুলিকে একত্রিত করে, বৈশিষ্ট্য মানচিত্রের নিজেকে প্রকাশ করার ক্ষমতা বাড়ায় এবং সনাক্তকরণের নির্ভুলতা উল্লেখযোগ্যভাবে বৃদ্ধি করে। 152 × 152 স্কেল সহ একটি চতুর্থ ভবিষ্যদ্বাণী বৈশিষ্ট্য স্তর যুক্ত করার পদ্ধতি ব্যবহার করে, themAPও যথেষ্ট উন্নত হয়েছিল।
YOLOv3 এর তুলনায় ক্ষুদ্র-লক্ষ্য সনাক্তকরণের নির্ভুলতা 10.5% দ্বারা উন্নত হয়েছে, যা ছোট-লক্ষ্য পূর্বাভাসের জন্য নেটওয়ার্কে অগভীর বৈশিষ্ট্যগুলির সম্পূর্ণ ব্যবহার করেছে, যার ফলে সনাক্তকরণের প্রভাব যথেষ্ট উন্নত হয়েছে, কিন্তু বর্ধিত নেটওয়ার্ক জটিলতা এবং প্রক্রিয়াকরণের খরচে . সর্বোত্তম উন্নতি ছিল M-YOLOv3, যা তিনটি উন্নতির পদ্ধতিকে একত্রিত করে এবং 77.3% একটি এমএপি অর্জন করেছে, যা আসল YOLOv30 এর গড় গড় নির্ভুলতার থেকে 8.4% বেশি। চিত্র 13 TT100K-এ M-YOLOv3-এর পরীক্ষার ফলাফল চিত্রিত করে।
4.2.2। অন্যান্য অ্যালগরিদমের সাথে উন্নত YOLOv3 অ্যালগরিদমের তুলনা৷
M-YOLOv3 উন্নত নেটওয়ার্কের সনাক্তকরণ স্বীকৃতিকে আরও যাচাই করার জন্য অন্যান্য ক্লাসিক্যাল লক্ষ্য সনাক্তকরণ অ্যালগরিদমগুলির সাথে তুলনা করা হয়েছিল এবং ফলাফলগুলি সারণী 2 এ দেখানো হয়েছে।
সারণি 2 দেখায় যে M-YOLOv3-এর সর্বোচ্চ এমএপি ছিল 77.3%, এবং SSD-এর 42-এর FPS সহ সর্বোত্তম রিয়েল-টাইম পারফরম্যান্স ছিল। আসল YOLOv3 অ্যালগরিদমের সাথে তুলনা করে, গড় নির্ভুলতা অনেক উন্নত হয়েছিল, যদিও বাস্তব সময় কর্মক্ষমতা হ্রাস করা হয়েছিল। এক-পর্যায়ের অ্যালগরিদম SSD-এর সাথে তুলনা করে, mAP 12% দ্বারা উন্নত হয়েছে, কিন্তু এখনও রিয়েল-টাইম পারফরম্যান্সে একটি ফাঁক ছিল। দুই-পর্যায়ের লক্ষ্য সনাক্তকরণ গরিদম ফাস্টার-আরসিএনএন-এর সাথে তুলনা করে, এফপিএস 22-এ উন্নত করা হয়েছিল, এবং এমএপিও 1.7% দ্বারা উন্নত হয়েছিল, যা সনাক্তকরণের গতি, সেইসাথে সনাক্তকরণের নির্ভুলতাকে উন্নত করেছে। ট্রায়ালগুলি দেখিয়েছে যে M-YOLOv3 সনাক্তকরণের নির্ভুলতা এবং গতির ক্ষেত্রে আরও ভাল পারফর্ম করেছে।
4.2.3। একটি বিশেষ পরিবেশে ট্র্যাফিক লক্ষণগুলিতে YOLOv3 এর উন্নত স্বীকৃতি প্রভাব
বিভিন্ন কারণের কারণে, যেমন শক্তিশালী আলো বিকিরণ, রাতের সময়, এবং ট্র্যাফিক সাইন অবক্লুশনের বিশেষ পরিবেশ, যা বাস্তব-বিশ্বের ড্রাইভিং পরিস্থিতিতে ট্র্যাফিক সাইন সনাক্তকরণ এবং স্বীকৃতিকে প্রভাবিত করবে, বিশেষ পরিবেশে ট্র্যাফিক লক্ষণগুলিতে মডেলের স্বীকৃতির প্রভাব বিবেচনা করাও প্রয়োজন ছিল৷ বিশেষ পরিস্থিতিতে, আপগ্রেডেড YOLOv3 মডেলটি ট্র্যাফিক লক্ষণগুলি সনাক্ত করার জন্য নিযুক্ত করা হয়েছিল, যেমনটি চিত্র 13-এ প্রদর্শিত হয়েছে।
চিত্র 14, YOLOv3 এর সনাক্তকরণ প্রভাবকে একটি বিশেষ পরিবেশে M-YOLOv3 এর সাথে তুলনা করা হয়। চিত্র 14(b1,c1) এ দেখানো হয়েছে, YOLOv3 অ্যালগরিদম একটি অস্পষ্ট ট্রাফিক সাইনের ক্ষেত্রে অস্পষ্ট ট্র্যাফিক সাইন সনাক্ত করতে ব্যর্থ হয়েছে, যখন উন্নত YOLOv3 অ্যালগরিদম অস্পষ্ট ট্র্যাফিক চিহ্নটিকে সঠিকভাবে চিহ্নিত করেছে; যেমন চিত্র 14(b2,c2) এ দেখানো হয়েছে, YOLOv3 অ্যালগরিদমে ট্র্যাফিক সাইন রিকগনিশনের জন্য মিথ্যা সনাক্তকরণ এবং মিস ডিটেকশনের সমস্যা ছিল শক্তিশালী আলো বিকিরণ পরিবেশের অধীনে, যখন উন্নত YOLOv3 অ্যালগরিদম সমস্ত ট্র্যাফিক লক্ষণগুলিকে নির্ভুলভাবে স্বীকৃতি দিয়েছে।
উন্নত YOLOv3 অ্যালগরিদম ছোট লক্ষ্যগুলির জন্য চতুর্থ বৈশিষ্ট্য ভবিষ্যদ্বাণী স্কেল বাড়িয়েছে, ছোট লক্ষ্যগুলির সনাক্তকরণের প্রভাবকে উন্নত করেছে, যেখানে YOLOv3 অ্যালগরিদমে মিস সনাক্তকরণ এবং ছোট লক্ষ্যগুলির জন্য কম আত্মবিশ্বাসের সমস্যা ছিল, যেমন চিত্র 14(b3,c3); অন্ধকারাচ্ছন্ন আলোকিত পরিবেশে, যেমন রাতের বেলায়, আপগ্রেড করা YOLOv3 অ্যালগরিদম ট্র্যাফিক লক্ষণগুলিকে স্বীকৃত করেছে, যেমনটি চিত্র 14(b4,c4); তবে YOLOv3 পদ্ধতি লক্ষ্য সনাক্ত করতে পারেনি। ফলাফল হিসাবে, বিশেষ পরিস্থিতিতে, আপডেট করা YOLOv3 অ্যালগরিদম এখনও আরও ভাল সনাক্তকরণের ফলাফল দিয়েছে।
5। উপসংহার
সংশোধিত YOLOv3 এর উপর ভিত্তি করে একটি ট্রাফিক সাইন সনাক্তকরণ এবং স্বীকৃতি নেটওয়ার্ক এই গবেষণায় প্রস্তাব করা হয়েছিল, ছোট লক্ষ্যগুলি সনাক্ত করা কঠিন এবং ট্র্যাফিক সাইন সনাক্তকরণ এবং সনাক্তকরণের কাজগুলিতে সনাক্তকরণের নির্ভুলতা কম হওয়ার অসুবিধাগুলি মোকাবেলা করার জন্য।
নতুন স্থানিক পিরামিডাল পুলিং কাঠামো এই গবেষণায় স্থানীয় এবং বৈশ্বিক বৈশিষ্ট্যগুলির সংমিশ্রণকে সক্ষম করেছে, সেইসাথে ছোট লক্ষ্যগুলির সনাক্তকরণের প্রভাবকে উন্নত করতে ছোট লক্ষ্যগুলির জন্য চতুর্থ বৈশিষ্ট্য পূর্বাভাস স্কেল বৃদ্ধি করেছে। টার্গেট ফ্রেমের রিগ্রেশনকে আরও স্থিতিশীল করতে, DIoU ক্ষতি ব্যবহার করা হয়েছিল, যার একটি দ্রুত কনভারজেন্স ছিল এবং টার্গেট ফ্রেম রিগ্রেশনের সাথে আরও সামঞ্জস্যপূর্ণ ছিল।
রিয়েল-টাইম নেটওয়ার্ককে যতটা সম্ভব কম ক্ষতিগ্রস্ত করে সনাক্তকরণ নেটওয়ার্কের নির্ভুলতা যথেষ্ট উন্নত হয়েছে। এমএপি 8.4 পয়েন্ট বৃদ্ধি পেয়েছে। আপগ্রেড করা YOLOv3 অ্যালগরিদম নেটওয়ার্কের জটিলতা বাড়িয়েছে এবং সনাক্তকরণের গতি কমিয়েছে। যাইহোক, রিয়েল-টাইম সনাক্তকরণ এখনও অনেক দূরে; অতএব, পরবর্তী গবেষণার ক্ষেত্রটি রিয়েল-টাইম সনাক্তকরণের প্রভাব সম্পন্ন করার জন্য সনাক্তকরণের গতি বাড়িয়ে তুলবে।
লেখকের অবদান: পদ্ধতি এবং লেখা-মূল খসড়া প্রস্তুতি, AL এবং CG; আনুষ্ঠানিক বিশ্লেষণ এবং তদন্ত, YS; ডেটা কিউরেশন, এনএক্স; সম্পদ, AL; বৈধতা, WH সমস্ত লেখক পাণ্ডুলিপির প্রকাশিত সংস্করণটি পড়েছেন এবং সম্মত হয়েছেন।
অর্থায়ন: এই প্রকল্পটি শানডং প্রাদেশিক উচ্চ শিক্ষামূলক যুব উদ্ভাবন বিজ্ঞান ও প্রযুক্তি প্রোগ্রাম (অনুদান নং 2019KJB019), চীনের শানডং প্রাদেশিক প্রাকৃতিক বিজ্ঞান ফাউন্ডেশন (অনুদান নং ZR2021MF131, ZR2015EL019, এবং ZR2020 বিজ্ঞানের ফাউন্ডেশনের ZR2015EL019, এবং ZR2020 বিজ্ঞানের অনুদান) দ্বারা সমর্থিত ছিল। চীন (অনুদান নং 61601265 এবং 51505258)। এই প্রকল্পটি চায়না পোস্টডক্টরাল সায়েন্স ফাউন্ডেশন (অনুদান নং 2021M701405), যান্ত্রিক আচরণ এবং ট্রাফিক ইঞ্জিনিয়ারিং স্ট্রাকচারের সিস্টেম সেফটির স্টেট কী ল্যাবরেটরির উন্মুক্ত প্রকল্প, চীন (অনুদান নং 1903), হেবেই ট্র্যাফিক নিয়ন্ত্রণ সুরক্ষা এবং উন্মুক্ত প্রকল্প দ্বারা অর্থায়ন করা হয়েছিল। কী ল্যাবরেটরি, চীন (অনুদান নং JTKY2019002), এবং শানডং প্রদেশের প্রধান বিজ্ঞান ও প্রযুক্তি উদ্ভাবন প্রকল্প (অনুদান নং 2022CXGC020706)।
প্রাতিষ্ঠানিক পর্যালোচনা বোর্ড বিবৃতি: প্রযোজ্য নয়।
অবহিত সম্মতি বিবৃতি: প্রযোজ্য নয়।
ডেটা উপলব্ধতা বিবৃতি: প্রযোজ্য নয়।
স্বীকৃতি: আমরা এই নিবন্ধটি লেখার জন্য তাদের অবদানের জন্য সমস্ত লেখককে ধন্যবাদ জানাই।
স্বার্থের দ্বন্দ্ব: লেখক কোন স্বার্থের দ্বন্দ্ব ঘোষণা করেন না।
তথ্যসূত্র
1. দে লা এসকালেরা, এ.; আর্মিংগোল, জেএম; মাতা, এম. বুদ্ধিমান যানবাহনের জন্য ট্রাফিক সাইন স্বীকৃতি এবং বিশ্লেষণ। ইমেজ ভিস। কম্পিউট 2003,21, 247-258। [ক্রসরেফ]
2. সাদনা, ওয়াই.; Behloul, A. ট্রাফিক সাইন সনাক্তকরণ এবং শ্রেণীবিভাগ পদ্ধতির একটি ওভারভিউ। int. জে মাল্টিমেড। তথ্য. Retr. 2017, 6,193–210। [ক্রসরেফ]
3. Boumediene, M.; কুডেল, সি.; বাসেট, এম.; Ouamri, A. RSLD অ্যালগরিদমের উপর ভিত্তি করে ত্রিভুজাকার ট্র্যাফিক লক্ষণ সনাক্তকরণ। মাখ। ভিস। Appl.2013, 24, 1721–1732। [ক্রসরেফ]
4. মালডোনাডো-বাসকোন, এস.; Lafuente-Arroyo, S.; গিল-জিমেনেজ, পি.; গোমেজ-মোরেনো, এইচ.; লোপেজ-ফেরেরাস, এফ. রোড-সাইন সনাক্তকরণ এবং সমর্থন ভেক্টর মেশিনের উপর ভিত্তি করে স্বীকৃতি। IEEE ট্রান্স। বুদ্ধি। ট্রান্সপ সিস্ট 2007, 8, 264-278। [ক্রসরেফ]
5. বাহলম্যান, সি.; ঝু, ওয়াই.; রমেশ, ভি.; পেলকোফার, এম.; Koehler, T. রঙ, আকৃতি এবং গতির তথ্য ব্যবহার করে ট্রাফিক সাইন সনাক্তকরণ, ট্র্যাকিং এবং স্বীকৃতির জন্য একটি সিস্টেম। IEEE কার্যধারার কার্যধারায়। ইন্টেলিজেন্ট ভেহিকল সিম্পোজিয়াম, 2005, লাস ভেগাস, এনভি, ইউএসএ, 6-8 জুন 2005; পৃষ্ঠা 255-260।
6. রেন, এস.; তিনি, কে.; গিরশিক, আর.; সান, জে. ফাস্টার আর-সিএনএন: রিজিওন প্রপোজাল নেটওয়ার্কের সাথে রিয়েল-টাইম অবজেক্ট ডিটেকশনের দিকে। নিউরাল তথ্য। প্রক্রিয়া সিস্ট 2015, 28, 91-99। [ক্রসরেফ] [পাবমেড]
7. লিউ, ডব্লিউ; অ্যাঙ্গুয়েলভ, ডি.; এরহান, ডি.; সেজেডি, সি.; রিড, এস.; ফু, সি.-ওয়াই.; বার্গ, এসি এসএসডি: একক শট মাল্টিবক্স ডিটেক্টর। কম্পিউটার ভিশনের উপর ইউরোপিয়ান কনফারেন্সে; স্প্রিংগার: চ্যাম, সুইজারল্যান্ড, 2016; পৃষ্ঠা 21-37।
8. রেডমন, জে.; ডিভালা, এস.; গিরশিক, আর.; ফরহাদি, এ. আপনি শুধুমাত্র একবার দেখুন: ইউনিফাইড, রিয়েল-টাইম অবজেক্ট ডিটেকশন। কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন, লাস ভেগাস, এনভি, ইউএসএ, 27-30 জুন 2016-এর IEEE সম্মেলনের কার্যপ্রণালীতে; IEEE: Piscataway, NJ, USA,2016; পৃ. 779-788।
9. ওয়াং, জেড.; গুও, এইচ. কনভোল্যুশনাল নিউরাল নেটওয়ার্কের উপর ভিত্তি করে ট্রাফিক সাইন সনাক্তকরণের উপর গবেষণা। ভিজ্যুয়াল ইনফরমেশন কমিউনিকেশন অ্যান্ড ইন্টারঅ্যাকশন, সাংহাই, চীন, 20-22 সেপ্টেম্বর 2019-এর 12 তম আন্তর্জাতিক সিম্পোজিয়ামের কার্যক্রমে; পৃষ্ঠা 1-5।
10. হান, সি.; গাও, জি.; Zhang, Y. সংশোধিত দ্রুত-RCNN সহ রিয়েল-টাইম ছোট ট্রাফিক সাইন সনাক্তকরণ। মাল্টিমিডিয়া। টুলস অ্যাপ। 2019, 78,13263–13278। [ক্রসরেফ]
11. ঝাং, জে.; হুয়াং, এম.; জিন, এক্স।; Li, X. পরিবর্তিত YOLOv2-এর উপর ভিত্তি করে একটি রিয়েল-টাইম চীনা ট্রাফিক সাইন সনাক্তকরণ অ্যালগরিদম। অ্যালগরিদম2017, 10, 127। [ক্রসরেফ]
12. ঝু, জেড.; লিয়াং, ডি.; ঝাং, এস.; হুয়াং, এক্স।; লি, বি.; হু, এস. বন্যের মধ্যে ট্র্যাফিক-সাইন সনাক্তকরণ এবং শ্রেণীবিভাগ। কম্পিউটার ভিশন এবং প্যাটার্ন রিকগনিশন 2016-এর IEEE সম্মেলনের কার্যপ্রণালীতে, লাস ভেগাস, এনভি, মার্কিন যুক্তরাষ্ট্র, 27-30 জুন 2016; পৃষ্ঠা 2110-2118।
For more information:1950477648nn@gmail.com
