စောင့်ကြပ်ခြင်း
Polarizing Filters နှင့် Object Recognition ဖြင့် Drivers' Mobile Phone Abuse ကို ခွဲခြားသတ်မှတ်ခြင်း။
ယူကေရှိ သုတေသီများသည် ဂန္ထဝင် ဓာတ်ပုံ-အလင်းပြန်စနစ်များနှင့် အနီအောက်ရောင်ခြည် ဖမ်းယူမှုတို့ကို အသုံးပြုကာ ယာဉ်မောင်းများကြား တရားမဝင် မိုဘိုင်းလ်ဖုန်းအသုံးပြုမှုကို အလိုအလျောက် ရှာဖွေဖော်ထုတ်ရန် လမ်းဘေးစနစ်တစ်ခု အဆိုပြုခဲ့သည်။ ဖမ်းယူကိရိယာများ၏ အရည်အသွေးပေါ်မူတည်၍ စနစ်သည် လက်တွေ့ကမ္ဘာစမ်းသပ်မှုများတွင် 95.81% အထိ တိကျမှုနှုန်းကို သရုပ်ပြထားသည်။
အဆိုပါ သုတေသနလုပ်ငန်း ခေါင်းစဉ်ဖြစ်ပါတယ် ခြေရာခံခြင်းဖြင့် ဒရိုက်ဗာဖုန်းအသုံးပြုမှု ချိုးဖောက်မှုများကို ဖော်ထုတ်ခြင်းနှင့် Newcastle University မှ ကွန်ပျူတာကျောင်းမှ ဆင်းသက်လာသည်။
လေကာမှန်များ၏ အလင်းပြန်မှုကို ကျော်လွှားခြင်း။
ယာဉ်မောင်းများကြားတွင် မိုဘိုင်းလ်စက်ပစ္စည်းအသုံးပြုမှု ထောက်လှမ်းခြင်းမပြုမီ ချဉ်းကပ်မှုများသည် နေ့အလင်းရောင်အတွင်း လေကာမှန်များ၏ မြင့်မားသောရောင်ပြန်ဟပ်မှုကြောင့် ယာဉ်၏အတွင်းပိုင်းကို တိမ်တိုက်ကြီးများမှ ရောင်ပြန်ဟပ်မှုများ ပိုမိုဆိုးရွားလာသောအခါတွင် ပိုမိုဆိုးရွားလာပါသည်။ သဘာဝအလင်းရောင်ကို ထိုးဖောက်ဝင်ရောက်ရန် လိုအပ်သော IR အလင်းရောင်ပမာဏသည် အရင်းအမြစ်-အလွန်အကျွံ ဖြစ်သောကြောင့် အဆိုပါကိစ္စများကို အနီအောက်ရောင်ခြည် အရင်းအမြစ်များဖြင့် လက်တွေ့ကျကျ ဖြေရှင်း၍မရပါ။
ထို့ကြောင့် နယူးကာဆယ်မှ သုတေသီများသည် စျေးပေါပြီး ရုပ်ပိုင်းဆိုင်ရာအရ ထင်မြင်နိုင်သော မှန်မျက်နှာပြင်မှ ရောင်ပြန်ဟပ်မှုများကို ဖယ်ရှားပစ်ရန် စာအုပ်တွင် ရှေးအကျဆုံး လှည့်ကွက် (1812 ခုနှစ်မှ စတင်ခဲ့သည်) ကို အဆိုပြုခဲ့သည်။ polarizing filter ၎င်းသည် လမ်းဘေးစောင့်ကြည့်ကင်မရာများနှင့် ချိတ်ဆက်နိုင်ပြီး တစ်ကြိမ်တည်း ချိန်ညှိပြီးနောက် ယာဉ်အတွင်းပိုင်းကို ရှင်းရှင်းလင်းလင်းကြည့်ရှုနိုင်မည်ဖြစ်သည်။
သီးသန့်ကင်မရာများမှ မိုဘိုင်းအခြေပြုအာရုံခံကိရိယာများဆီသို့ လူကြိုက်များသောပြောင်းရွှေ့မှုနှင့်အတူ၊ လူကြိုက်များသောယဉ်ကျေးမှုတွင် polarizing filter ၏ပါဝင်မှုသည် ကျိုးကြောင်းဆီလျော်သော အရည်အသွေးရှိနေကာမျက်မှန်များတွင် ပါဝင်မှုသို့ သိသိသာသာလျော့ကျသွားခဲ့ပြီး ဝတ်ဆင်သူသည် ၎င်းတို့၏အမြင်ကို စောင်းခြင်း သို့မဟုတ် ပြောင်းလဲခြင်းဖြင့် ၎င်းတို့၏ ရောင်ပြန်ဟပ်မှုသတ်နိုင်စွမ်းကို သတိပြုနိုင်မည်ဖြစ်သည်။ ရောင်ပြန်ဟပ်သော အရာဝတ္ထုအပေါ် အမြင်။
နေရောင်ခြည်သည် အောက်ဆီဂျင်နှင့် နိုက်ထရိုဂျင်မော်လီကျူးများဖြင့် ပြန့်ကျဲနေပြီး အပြာရောင်သည် အခြားလှိုင်းအလျားများထက် ပိုမိုကျယ်ပြန့်စွာ ပြန့်ကျဲနေပြီး အပြာရောင်သည် နေ့ဘက်တွင် ကြည်လင်သောကောင်းကင်၏ မူလအရောင်ဖြစ်သည်။ အပြာရောင်အလင်းသည် polarized ဖြစ်ပြီး a linear သို့မဟုတ် စက်ဝိုင်း Polarized မှန်ဘီလူးသည် ဤပိုလာဆန်သောအလင်းကို ထိရောက်စွာဖယ်ရှားနိုင်ပြီး လုပ်ငန်းစဉ်တွင် အလင်းပြန်မှုများကို ဖယ်ရှားပေးနိုင်သည်။
ဆေးလိပ်သောက်သော လေကာမှန်များသည် ဤနည်းလမ်းကို ကားထဲသို့ မမြင်နိုင်စေရန် သို့မဟုတ် အတားအဆီးဖြစ်စေနိုင်ကြောင်း စာရွက်တွင် အသိအမှတ်ပြုထားသည်။ သို့သော်ဤသည်ကတည်းက UK ဥပဒေအရ ကန့်သတ်ထားသည်။US တွင် ပြည်နယ်အလိုက် စည်းမျဉ်းများ ကွဲပြားသဖြင့်၊ ၎င်းကို အဓိက အတားအဆီးအဖြစ် စာတမ်းက မယူဆပါ။
YOLO
စာတမ်းတွင် အဆိုပြုထားသည့် စနစ်သည် အစိုးရမှ တပ်ဆင်ထားသော လမ်းဘေးစောင့်ကြည့်ကင်မရာများကဲ့သို့သော ပြည်သူ့အခြေခံအဆောက်အအုံများနှင့် ပေါင်းစပ်ရန် ရည်ရွယ်ပါသည်။ ကုန်ကျစရိတ်များထက် ဖြစ်နိုင်သော အတားအဆီးများကို သုတေသီများက အမျိုးမျိုးသော အရာဝတ္ထု မှတ်သားမှု စနစ်ပုံစံများကို စမ်းသပ်ပြီး အရည်အသွေး-အဆင့် အမျိုးမျိုးဖြင့် ဖမ်းယူနိုင်သော စက်ကိရိယာများကို စမ်းသပ်ပြီး စျေးပေါသော polarizing filters များကို လက်ရှိကင်မရာများတွင် ထည့်သွင်းနိုင်သည့် ကုန်ကျစရိတ် အနည်းငယ်သာရှိသော အခြေအနေမျိုးကို ပေးဆောင်ပါသည်။ စနစ်အဝေးထိန်း။
အရာဝတ္ထုအသိအမှတ်ပြုမှုဘောင် လေးခုကို စမ်းသပ်ခဲ့သည်- You-Only-Look-Once (YOLO) ဗားရှင်း 3 နှင့် 4; SSD ကို အခြေခံကွန်ရက်; R-CNN ပိုမြန်တယ်။; နှင့် CenterNet. စမ်းသပ်မှုများတွင်၊ လေကာမှန်ဧရိယာကို ဦးစွာဒေသခံသတ်မှတ်ပေးသည့် နှစ်ဆင့်အလုပ်အသွားအလာကို အသုံးပြု၍ YOLO V3 ဖြင့် အတိကျဆုံးရလဒ်များကို ရရှိခဲ့သည်။
သို့သော်၊ ကွန်ရက်နှစ်ခုမှတစ်ဆင့် ဗီဒီယိုကို run ရန် လိုအပ်ခြင်းသည် ပိုမိုရိုးရှင်းသောစနစ်ရှိ 13.15fps အနီးနှင့် နှိုင်းယှဉ်ပါက အကောင်းဆုံးဘောင်နှုန်း 30fps ထက်နည်းသည်။ ရလဒ်များ၏ အရည်အသွေးသည် ထည့်သွင်းပစ္စည်းကိရိယာများပေါ်တွင်မူတည်ပြီး အနိမ့်ဆုံးကင်မရာများနှင့် အရည်အသွေးမြင့်စက်ပစ္စည်းများကြားတွင် ထည့်သွင်းမှုကို ပိုင်းခြားသောအခါ ပိုမိုကောင်းမွန်သောကိရိယာအတွက် တိကျမှုနှုန်းသည် 96% နီးပါး ဖြစ်နိုင်ပြီး 74.35% စျေးသက်သာသည်ကို တွေ့ရှိခဲ့သည်။ ကင်မရာများ
အသိအမှတ်ပြု ချိုးဖောက်မှုများကို ကန့်သတ်ခြင်း။
စနစ်အား စီးပွားရေးအရ အားကောင်းစေသည့်အပြင်၊ သုတေသီများသည် လိုအပ်သော လူသားကြီးကြပ်မှု အနည်းဆုံးဖြင့် အပြည့်အဝ အလိုအလျောက်စနစ်တစ်ခုကို တီထွင်ရန် ပူပန်နေပြီး ယင်းစနစ်သည် ဒဏ်ငွေများကို အလိုအလျောက် ပေးဆောင်ရန် စိတ်ကူးထားသည်။ သို့သော်လည်း ကားမောင်းနေစဉ် မိုဘိုင်းလ်ဖုန်းအသုံးပြုခြင်းဆိုင်ရာ ဥပဒေများသည် ဒဏ်ငွေမျှသာ သို့မဟုတ် လိုင်စင်အမှတ် ဖြတ်တောက်ခြင်းထက် ကျော်လွန်နိုင်သော ပြစ်ဒဏ်များနှင့်အတူ ကမ္ဘာတစ်ဝှမ်းတွင် ပိုမိုပြင်းထန်လာသောကြောင့် (ဆိုလိုသည်မှာ UK တွင်)၊ ပေါ့ပေါ့ပါးပါး လူသားစိစစ်ခြင်းအား ဖြန့်ကျက်လုပ်ဆောင်ရာတွင် အချက်တစ်ချက်အဖြစ် ရှိနေနိုင်ဖွယ်ရှိသည်။ ထိုကဲ့သို့သောစနစ်။
ဗီဒီယိုအကြောင်းအရာတစ်ခုလုံးကို ထည့်သွင်းစဉ်းစားရန် optical flow နှင့် အခြားနည်းလမ်းများကို အသုံးပြုသော်လည်း၊ YOLO ကဲ့သို့သော အရာဝတ္ထုအသိအမှတ်ပြုမှုဆိုင်ရာ အယ်လဂိုရီသမ်များသည် ဖရိန်တစ်ခုစီကို 'ပြီးပြည့်စုံသောဇာတ်လမ်း' အဖြစ် သတ်မှတ်ကာ၊ နောက်ဘောင်သည် နောက်ဆက်တွဲပရောဂျက်တစ်ခုဖြစ်သည်။ ထို့ကြောင့်၊ ဤသဘောသဘာဝအရ စနစ်တစ်ခုသည် (ဥပမာ) ချိုးဖောက်မှု-ဖမ်းယူခြင်း ဗီဒီယို ဘောင် ၁၂၈ ခုကို ဖုံးအုပ်ထားသော သီးခြားဒဏ်ငွေ ၁၂၈ ခုကို ထုတ်ပြန်ခြင်းမှ တားဆီးရပါမည်။
ယင်းကိုရှောင်ရှားရန်၊ စနစ်သည် အရာဝတ္ထုခြေရာခံခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ကို ပေါင်းစပ်ထားသည်။ Deep SORTချိုးဖောက်မှုအသိအမှတ်ပြုမှုတစ်ခုစီတွင် သီးသန့် 'incident ID' ကို ပေါင်းထည့်ကာ ID ကို ဖမ်းယူမှုတစ်ခုစီအတွင်း ဖရိမ်များအတွင်း ကူးယူခြင်းမပြုကြောင်း သေချာစေသည်။
ညအချိန်စောင့်ကြည့်မှုကို ကိုင်တွယ်ခြင်း။
ညအချိန်အခြေအနေများအတွက်၊ သုတေသီများသည် တူညီသောစိန်ခေါ်မှုကို စုံစမ်းစစ်ဆေးသည့် ယခင်သုတေသနပရောဂျက်များတွင် အသုံးပြုခဲ့သည့်အတိုင်း အနီအောက်ရောင်ခြည်ဖမ်းယူမှုကို ပုံသေသတ်မှတ်ထားသည်။ ၎င်းတို့သည် IR လှိုင်းအလျား 850 နှင့် 730 nanometers များကို စမ်းသပ်ခဲ့ပြီး အကောင်းဆုံးအသေးစိတ်အချက်အလက်များကို 730nm ဖြင့် ဖမ်းယူနိုင်ခဲ့ကြောင်း တွေ့ရှိခဲ့သည်။
နေ့ခင်းဘက်အခြေအနေများအတွင်း အနီအောက်ရောင်ခြည် ဖမ်းယူနိုင်မှုအား မည်မျှအတိုင်းအတာအထိ အသုံးပြုနိုင်ကြောင်း ဆုံးဖြတ်ရန် နောက်ထပ် စုံစမ်းစစ်ဆေးမှု လိုအပ်ကြောင်း စာတမ်းတွင် ဖော်ပြထားသည်။
ဒေတာများ
စနစ်၏ ပိုမိုသက်သာသော အဆင့်တစ်ဆင့်တည်းဗားရှင်းအတွက် သုတေသီများသည် လိုင်စင်နံပါတ်ပြားပုံ 2,235 ပုံများကို အသုံးပြုခဲ့သည်။ Google Open Images Datasetနှင့် 2150 စတော့ရှယ်ယာနှင့် စိတ်ကြိုက်လုပ် မိုဘိုင်းဖုန်းပုံများ။ ယာဉ်မောင်းများကိုင်ဆောင်ထားသော ဖုန်းများ၏ပုံများကို ထည့်သွင်းရန်လိုအပ်သောကြောင့်၊ ဖုန်းပုံများ 1,700 ကို ပရောဂျက်အတွက် အထူးပြုလုပ်ထားသည်။
အဆင့်နှစ်ဆင့်စနစ်သည် လုပ်ငန်းစဉ်၏ပထမခြေလှမ်းကိုလေ့ကျင့်ရန်အသုံးပြုသည့် လေကာမှန် ၄၈၇ စင်း၏ မှတ်ချက်ကို လိုအပ်သည်၊ အဆင့်တစ်ဆင့်လုပ်ငန်းစဉ်တွင်အသုံးပြုသည့်ဒေတာများအပြင်၊
တရားဝင် လမ်းစောင့်ကြည့်ရေး အခြေခံအဆောက်အအုံသို့ ဝင်ရောက်နိုင်ခြင်း မရှိသောကြောင့်၊ အလားတူ အခြေအနေများကို ခန့်မှန်းရန်အတွက် စေတနာ့ဝန်ထမ်းများမှ ဓာတ်ပုံအားလုံးကို ရိုက်ယူခဲ့သည်။
trade-off
နောက်ဆုံးရလာဒ်များသည် အကောင်အထည်ဖော်မှုကုန်ကျစရိတ်နှင့် ယှဉ်ရန် လိုအပ်သည့် တိကျသည့်စံနှုန်းများစွာကို ပေးဆောင်ထားပြီး၊ သာလွန်ကောင်းမွန်သော ဖမ်းယူနိုင်သောကိရိယာများနှင့် စီမံဆောင်ရွက်ပေးသည့်ရလဒ်များသည် အကြီးမားဆုံးတိကျမှုနှင့် စျေးသက်သာသော မြို့ပြစောင့်ကြည့်ရေးကိရိယာများ၏ ခေတ်နောက်မီလိုက်ဖက်မှုဖြင့် ရရှိနိုင်သော 'လက်ခံနိုင်ဖွယ်' တိကျမှုဟူ၍ ငြင်းခုံနိုင်သည် .
အထက်တွင်ဖော်ပြခဲ့သည့်အတိုင်း၊ ပရောဂျက်၏ ရှင်သန်နိုင်စွမ်းအပေါ် သုတေသီများ၏ ခံယူချက်သည် စနစ်သည် လုံး၀ အလိုအလျောက်လုပ်ဆောင်သင့်သည်ဟူသော ယူဆချက်ဖြင့် အသိပေးထားပုံရသည်—မေးခွန်းထုတ်စရာလိုအပ်ချက်တစ်ခုဖြစ်သည်။
အကောင်အထည်ဖော်မှုနှင့် အသုံးပြုထားသော ချဉ်းကပ်မှုဆိုင်ရာ အသေးစိတ်အချက်အလက်များအတွက် အောက်ဖော်ပြပါ ပရောဂျက်၏တရားဝင်ဗီဒီယိုကို ကြည့်ပါ။