Signal and Data Processing

fa شناسایی نوع و مدل وسیله نقلیه با استفاده از مجموعه بخش‌های متمایز‌کننده Using Discriminative Parts for Vehicle Make and Model Recognition مقالات پردازش تصویر Paper پژوهشي Research طبقهبندی دقیق اشیا (Fine-Grained Recognition) چالشی است که جامعه بینایی ماشین در حال حاضر با آن روبهرو شده است. در این نوع طبقهبندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است؛ شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار میگیرد. این مسئله به‌دلیل وجود تعداد طبقه‌های زیاد، تفاوت درون‌طبقه‌ای بسیار و تفاوت بین طبقه‌ای کم از مسائل طبقهبندی دشوار به‌شمار میرود. در این مقاله روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو پیشنهاد شده است. این روش برای طبقهبندی طبقه‌های مختلف خودرو، ابتدا بخشهای متمایز‌کننده هر یک را به‌صورت خودکار مییابد؛ سپس با استخراج ویژگی از این بخشها و رابطه هندسی بین آنها، یک مدل میآموزد. وزن بخشهای مختلف هر مدل به‌صورت پویا و با استفاده از مجموعه دادههای آموزشی یاد گرفته میشود. سامانه پیشنهادی با ترکیب این مدلها به شناسایی طبقه خودرو میپردازد. برای آزمایش سامانه پیشنهادی و به‌دلیل عدم وجود مجموعه داده به اشتراک گذاشته‌شده، یک مجموعه داده با بیش از 5000 خودرو از 28 طبقه مختلف تهیه و به‌صورت کامل علامتگذاری شده است. نتیجه آزمایش‌های انجام‌شده بر روی این تصاویر که دارای تغییرات روشنایی زیاد و تغییرات زاویه اندک هستند، نشان از دقت بالای روش پیشنهادی دارد.   In fine-grained recognition, the main category of object is well known and the goal is to determine the subcategory or fine-grained category. Vehicle make and model recognition (VMMR) is a fine-grained classification problem. It includes several challenges like the large number of classes, substantial inner-class and small inter-class distance. VMMR can be utilized when license plate numbers cannot be identified or fake number plates are used. VMMR can also be used when specific models of vehicles are required to be automatically identified by cameras. Few methods have been proposed to cope with limited lighting conditions. A number of recent studies have shown that latent SVM trained on a large-scale dataset using data mining can achieve impressive results on several object classification tasks. In this paper, a novel method has been proposed for VMMR using a modified version of latent SVM. This method finds discriminative parts of each class of vehicles automatically and then learns a model for each class using features extracted from these parts and spatial relationship between them. The parts weights of each model are tuned using training dataset.  Putting this individual models together, our proposed system can classify vehicles make and model. All training and testing steps of the proposed system are done automatically. For training and testing the performance of the system, a new dataset including more than 5000 vehicles of 28 different make and models has been collected. This dataset poses different kind of challenges, including variations in illumination and resolution. The experimental results performed on this dataset show the high accuracy of our system.   شناسایی دقیق اشیا, شناسایی نوع و مدل وسیله نقلیه, VMMR, رویکرد مبتنی بر بخش Fine-grained recognition, vehicle make and model recognition, VMMR, part-based approach 41 54 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1057-2&slc_lang=fa&sid=1 Mohsen Biglari محسن بیگلری mbt925@gmail.com 10031947532846006201 10031947532846006201 Yes Shahrood University of Technology دانشگاه صنعتی شاهرود Ali Soleimani علی سلیمانی mbt925@gmail.com 10031947532846006202 10031947532846006202 No Shahrood University of Technology دانشگاه صنعتی شاهرود Hamid Hassanpour حمید حسن پور mbt925@gmail.com 10031947532846006203 10031947532846006203 No Shahrood University of Technology دانشگاه صنعتی شاهرود