قطعه‌بندي معنايي در خودروهاي خودران مبتني‌بر يادگيري نيمه نظارتي

كارشناسي ارشد

جمع‌آوري داده برچسب‌دار براي قطعه‌بندي معنايي به دليل نياز به برچسب‌هاي در سطح پيكسل، گران و وقت‌گير است. در حالي كه رويكردهاي اخير قطعه‌بندي معنايي مبتني‌بر شبكه‌هاي كانولوشني با استفاده از مقادير بسيار زياد داده‌هاي آموزش برچسب‌دار نتايج چشمگيري كسب كرده‌اند، اما با كاهش مقدار داده‌هاي برچسب‌دار، عملكرد آن‌ها به طور قابل توجهي كاهش مي‌يابد. بنابراين روش‌هاي نيمه‌نظارتي با هدف آموزش شبكه به كمك مقدار داده برچسب‌دار محدود به همراه مقدار زيادي داده بدون برچسب‌دار مورد توجه شاياني قرار گرفته‌اند. در سال‌هاي اخير روش‌هاي مبتني‌بر شبه‌برچسب به دقت‌هاي لبه‌تكنولوژي در يادگيري نيمه‌نظارتي(SSL) دست‌ يافته‌اند. اما شبه‌برچسب‌ها به دليل نويزي بودن و عدم اطمينان، دقت روش‌هاي SSL را تحت تاثير قرار مي‌دهند. در اين پايان‌نامه يادگيري متقابل پويا مبتني بر يادگيري تضادي (DMTC) پيشنهاد شده است تا از طريق كمك به دو دانش‌آموز پايه به يادگيري بازنمايي‌هاي متمايزتر، شبه برچسب‌هاي دقيق‌تري به خصوص براي مرزهاي اشيا پيشبيني كنند. يادگيري تضادي در سطح پيكسل روي يك مجموعه تنك از پيكسل‌ها و با حداقل حافظه اضافي مورد نياز اعمال مي‌شود. استفاده از يادگيري‌تضادي و يادگيري‌متقابل باعث افزايش دقت در تهيه شبه برچسب‌ها حين فرآيند آموزش مي‌شود. با انجام آزمايشات روي دو پايگاه‌داده استاندارد Cityscapes و PASCAL VOC در قطعه‌بندي معنايي نيمه‌نظارتي نشان داده شده‌است كه DMTC سبب بهبود عملكرد به خصوص روي تنظيمات تعداد خيلي كم داده برچسب‌دار مي‌شود. روش ارائه‌شده توانسته است با تنها 100 داده برچسب‌دار روي پايگاه داده Cityscapes بهmIoU 59.54 درصد همچنين روي پايگاه داده PASCAL VOC بهmIoU 65.45 درصد برسد. اين مقادير به ترتيب 4.74 و 2.41 درصد از روش لبه تكنولوژي اخير بهتر هستند.

209063

دانشگاه علم و صنعت ايران

عبدالله اميرخاني

مهندسي برق- سيستم‌هاي الكترونيك ديجيتال

محمد حسن شجاعي فرد