الوصف
للتعرف على طراز السيارة ، توصلنا أولاً إلى استخدام واصف SIFT ومطابقة SIFT مع RANSAC. يتم عرض نتائج المطابقة لصورتين من Hyundai Sonata في الشكل 1.
من الشكل 5 ، نلاحظ أنه يتم مطابقة عدد قليل جدًا من النقاط بينما لا تشير هذه النقاط إلى نفس الميزة على السيارة. مطابقة SIFT قوية مع المطابقة بين الطائرات. ومع ذلك ، لا يمكنه التعامل مع مطابقة الصور ثلاثية الأبعاد.
نقوم بتنفيذ شبكات عصبية تلافيفية بسيطة تعتمد على Tensorflow. تتكون شبكاتنا من 3 طبقات تلافيفية. تأتي كل طبقة تلافيفية مع طبقة تجميع قصوى للقيام بأخذ العينات لأسفل. تم تحديد المرشحات التي نستخدمها في كل طبقة في الشكل 10. نستخدم أيضًا مصنف softmax لإخراج درجات الفئة.
بالنسبة للمشروع ، نقوم فقط بتنفيذ شبكتين عصبيتين بسيطتين. أنها تعطي نتيجة جيدة نسبيًا مقارنة بمطابقة SIFT. نظرًا لأن لدينا 100 صورة تدريبية فقط لكل سيارة ، فقد تكون الشبكات المدربة متحيزة بحيث تظل الدقة حول 75٪ ~ 78٪. نعتقد أنه يمكن تحسين الدقة باستخدام مجموعات بيانات أكبر. إلى جانب ذلك ، في نتائجنا ، تحقق كل من الشبكات العصبية المنتظمة والشبكات العصبية التلافيفية نتائج مرضية. ومع ذلك ، ما زلنا نعتبر الشبكات العصبية التلافيفية طريقة أفضل لتحديد هوية السيارة. ستفشل الشبكات العصبية المنتظمة في التعامل مع عدد كبير من المعلمات وتؤدي إلى فرط التخصيص عندما تكون صور الإدخال كبيرة. مع مجموعات البيانات الأكبر والشبكات العصبية التلافيفية الأعمق ، يمكن أن تكون طريقتنا المقترحة قوية ودقيقة في التعرف على السيارة.
Python code for merging two separate photos to create a single, multi-person photo
Python code take a a binary image which fed to the Tesseract OCR
Python code for Classification of photographic images based on perceived aesthetic quality
المراجعات
لا توجد مراجعات بعد.