1
پژوهشگر، پژوهشکده عالی جنگ، دانشگاه فرماندهی و ستاد آجا
2
استادیار، پژوهشکده عالی جنگ دانشگاه فرماندهی و ستاد آجا
چکیده
تشخیص اشیاء نقش مهمی در تحلیل تصاویر صحنههای نبرد به ویژه ارزیابی خسارت دارد. در این مقاله از فنون بینایی ماشین و در کنار آن یادگیری عمیق و پردازش تصاویر دیجیتال برای دستیابی به روشی قدرتمند با حداکثر سرعت و دقت جهت تشخیص اشیاء مورد نظر در صحنه نبرد و همچنین تخمین خسارات وارد شده استفاده شده است. برای انجام عمل تشخیص اشیاء، ویژگیها و پارامترهای تصاویر توسط شبکههای عصبی کانولوشن استخراج شده و در امر یادگیری شبکه عصبی به کار گرفته شده است. برای ارزیابی خسارت از معیارهای شباهت ساختاری، خطای میانگین مربعات و روش آستانهگذاری برای سنجش میزان شباهت و تغییرات تصاویر دریافتی قبل و بعد از خسارات وارد شده، استفاده شده است. در نهایت، نمونههایی از تصاویرِ مکانهای خسارت دیده برای اعتبارسنجی روش پیشنهادی مورد بررسی و آزمایش قرار گرفته است.
Torralba, A. Oliva, and W. T. Freeman, “Object recognition by scene alignment,” J. Vis, vol. 3, pp. 196–204, 2010.
Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell, vol. 39, no. 6, pp. 1440-1448, 2017.
Liu et al., “SSD: Single shot multibox detector,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9905 LNCS, pp. 21-37, 2016.
De-yun, Z. Li-na, Z. Kai, and Z. Kun, “Battle damage assessment with change detection of SAR images,” Control Conf. (CCC), 34th Chinese, pp. 193–197, 2015.
Chen-han and H. Jian, “The application of Bayesian network in battle damage assessment,” Softw. Eng. Serv. Sci, pp. 529-532, 2014.
Paul, “Probability models for battle damage assessment (simple shoot-look-shoot and beyond),” Reports and Technical Reports, Monterey, California, pp. 1-26, 1997.
K. Mehraa, “Automatic Battle Damage Assessment based on Laser Radar Imagery,” vol. 3707, no., pp. 210-221, 1999.
Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998
Rawat, W. and Wang, Z., “Deep convolutional neural networks for image classification: A comprehensive review”. Neural computation, 29(9), pp.2352–2449, 2017.
Krizhevsky, I. Sutskever, and H. Geoffrey E, “ImageNet Classification with Deep Convolutional Neural Networks,” Adv. Neural Inf. Process, Syst. 25, pp. 1-9, 2012.
Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” Computer Vision and Pattern Recognition, pp. 1-9, 2017.
Lin TY. et al. “Microsoft COCO: Common Objects in Context. “In: Fleet D., Pajdla T., Schiele B., Tuytelaars T. (eds) Computer Vision – ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, vol 8693, 2014.
Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron, "6.2.2.3 Softmax Units for Multinoulli Output Distributions". Deep Learning. MIT Press. pp. 180–184. ISBN 978-0-26203561-3. 2016.
Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, “Image quality assessment: From error visibility to structural similarity,” IEEE Trans. Image Process, vol. 13, no. 4, pp. 600-612, 2004.
حمیدی, محمد علی, & بیگدلی, حمید. (1400). ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر. مجله علمی رایانش نرم و فناوری اطلاعات, 10(3), 1-10.
MLA
محمد علی حمیدی; حمید بیگدلی. "ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر". مجله علمی رایانش نرم و فناوری اطلاعات, 10, 3, 1400, 1-10.
HARVARD
حمیدی, محمد علی, بیگدلی, حمید. (1400). 'ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر', مجله علمی رایانش نرم و فناوری اطلاعات, 10(3), pp. 1-10.
VANCOUVER
حمیدی, محمد علی, بیگدلی, حمید. ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر. مجله علمی رایانش نرم و فناوری اطلاعات, 1400; 10(3): 1-10.