Analysis and Implementation of Objiect Detection Information Technology Based on Deep Learning
Вантажиться...
Дата
2024
Автори
Науковий керівник
Укладач
Редактор
Назва журналу
ISSN
E-ISSN
Назва тому
Видавець
Одеський національний університет імені І. І. Мечникова
Анотація
The topic of "Analysis and Implementation of Object Detection Information Technology Based on Deep Learning" is considered in the thesis. Deep learning-based object detection technologies have become widespread, particularly in the field of autonomous driving and intelligent transportation systems. These technologies offer significant advantages in terms of accuracy and efficiency, enabling real-time detection and recognition of various objects, including vehicles, pedestrians, and traffic signs. However, despite their advantages, such systems face challenges in complex environments, such as foggy weather, low light conditions, and dense traffic scenarios, which can degrade detection performance.
The purpose of the work is to improve existing deep learning-based object detection algorithms to enhance their robustness and accuracy in challenging conditions.
As a result of the research carried out in the work, various state-of-the-art object detection algorithms were analyzed, and novel methods for improving detection performance in foggy conditions and lightweight network architectures were proposed. Specifically, the integration of dehazing techniques, attention mechanisms, and optimized loss functions were explored to enhance the detection accuracy and efficiency of the YOLOv5 and YOLOv8 models. Additionally, the work included the construction of a foggy scene vehicle detection dataset and the implementation of a model system for simulating and evaluating the proposed methods.
In the work, a number of requirements for the class library, which can be used in deep learning-based object detection systems, as well as for the model system, which made it possible to simulate the considered methods, were formed. Both systems were implemented.
Using the proposed methods, it was possible to achieve significant improvements in object detection accuracy under foggy conditions and in lightweight network architectures. The integration of dehazing techniques and attention mechanisms allowed for better feature extraction and focus on key areas, while the optimized loss functions improved the model's ability to detect small and occluded objects. The lightweight network architectures demonstrated a good balance between computational efficiency and detection accuracy, making them suitable for deployment on resource-constrained devices.
Overall, the research provides valuable insights and practical solutions for enhancing the performance of deep learning-based object detection systems in realworld applications.
У дисертації розглядається тема "Аналіз та реалізація інформаційної технології виявлення об’єктів на основі глибокого навчання". Технології детекції об'єктів на основі глибокого навчання отримали широке розповсюдження, особливо в галузі автономного водіння та інтелектуальних транспортних систем. Ці технології пропонують значні переваги з точки зору точності та ефективності, дозволяючи детекцію та розпізнавання різних об'єктів у реальному часі, включаючи транспортні засоби, пішоходів та дорожні знаки. Однак, незважаючи на свої переваги, такі системи стикаються з труднощами в складних умовах, таких як туман, недостатнє освітлення та щільний дорожній рух, що може знижувати ефективність детекції. Метою роботи є вдосконалення існуючих алгоритмів детекції об'єктів на основі глибокого навчання для підвищення їхньої стійкості та точності в складних умовах. В результаті проведеного дослідження було проаналізовано різні сучасні алгоритми детекції об'єктів та запропоновано нові методи покращення ефективності детекції в умовах туману та легковагові архітектури мереж. Зокрема, було досліджено інтеграцію методів видалення туману, механізмів уваги та оптимізованих функцій втрат для підвищення точності та ефективності моделей YOLOv5 та YOLOv8. Крім того, робота включала створення набору даних для детекції транспортних засобів у туманних сценах та реалізацію модельної системи для моделювання та оцінки запропонованих методів. У роботі було сформульовано ряд вимог до бібліотеки класів, яка може бути використана в системах детекції об'єктів на основі глибокого навчання, а також до модельної системи, яка дозволила змоделювати розглянуті методи. Обидві системи були реалізовані. Завдяки запропонованим методам вдалося досягти значного покращення точності детекції об'єктів в умовах туману та в легковагових архітектурах мереж. Інтеграція методів видалення туману та механізмів уваги дозволила покращити виділення ознак та зосередитись на ключових областях, тоді як оптимізовані функції втрат покращили здатність моделі виявляти малі та перекриті об'єкти. Легковагові архітектури мереж продемонстрували хороший баланс між обчислювальною ефективністю та точністю детекції, що робить їх придатними для розгортання на пристроях з обмеженими ресурсами. В цілому, дослідження надає цінну інформацію та практичні рішення для підвищення ефективності систем детекції об'єктів на основі глибокого навчання в реальних застосуваннях.
У дисертації розглядається тема "Аналіз та реалізація інформаційної технології виявлення об’єктів на основі глибокого навчання". Технології детекції об'єктів на основі глибокого навчання отримали широке розповсюдження, особливо в галузі автономного водіння та інтелектуальних транспортних систем. Ці технології пропонують значні переваги з точки зору точності та ефективності, дозволяючи детекцію та розпізнавання різних об'єктів у реальному часі, включаючи транспортні засоби, пішоходів та дорожні знаки. Однак, незважаючи на свої переваги, такі системи стикаються з труднощами в складних умовах, таких як туман, недостатнє освітлення та щільний дорожній рух, що може знижувати ефективність детекції. Метою роботи є вдосконалення існуючих алгоритмів детекції об'єктів на основі глибокого навчання для підвищення їхньої стійкості та точності в складних умовах. В результаті проведеного дослідження було проаналізовано різні сучасні алгоритми детекції об'єктів та запропоновано нові методи покращення ефективності детекції в умовах туману та легковагові архітектури мереж. Зокрема, було досліджено інтеграцію методів видалення туману, механізмів уваги та оптимізованих функцій втрат для підвищення точності та ефективності моделей YOLOv5 та YOLOv8. Крім того, робота включала створення набору даних для детекції транспортних засобів у туманних сценах та реалізацію модельної системи для моделювання та оцінки запропонованих методів. У роботі було сформульовано ряд вимог до бібліотеки класів, яка може бути використана в системах детекції об'єктів на основі глибокого навчання, а також до модельної системи, яка дозволила змоделювати розглянуті методи. Обидві системи були реалізовані. Завдяки запропонованим методам вдалося досягти значного покращення точності детекції об'єктів в умовах туману та в легковагових архітектурах мереж. Інтеграція методів видалення туману та механізмів уваги дозволила покращити виділення ознак та зосередитись на ключових областях, тоді як оптимізовані функції втрат покращили здатність моделі виявляти малі та перекриті об'єкти. Легковагові архітектури мереж продемонстрували хороший баланс між обчислювальною ефективністю та точністю детекції, що робить їх придатними для розгортання на пристроях з обмеженими ресурсами. В цілому, дослідження надає цінну інформацію та практичні рішення для підвищення ефективності систем детекції об'єктів на основі глибокого навчання в реальних застосуваннях.
Опис
Ключові слова
126 інформаційні системи та технології, магістр, Object Detection Information Technology, Deep Learning
Бібліографічний опис
Фен Сюецзяо Analysis and Implementation of Objiect Detection Information Technology Based on Deep Learning = Аналіз та реалізація інформаційної технології виявлення об'єктів на основі глибокого навчання: кваліфікаційна робота магістра / Фен Сюецзяо. – Одеса, 2024. – 102 с.