YOLOv3 الگورتھم حصہ 3 کی بنیاد پر ٹریفک کے نشان کی شناخت

3.3 K-Means کلسٹرنگ الگورتھم کی بنیاد پر Priori Frames بنانا

اینکر میکانزم کو YOLOv2 میں لاگو کیا گیا تھا، اور YOLOv3 میں اینکرز کی تعداد کو بڑھا کر نو کر دیا گیا تھا تاکہ تیار کردہ امیدواروں کے علاقوں کو حقیقی لیبل والے فریموں سے زیادہ ملتے جلتے بنائیں اور پتہ لگانے کے نیٹ ورک کی واپسی کو فروغ دیں۔

نشان زد فریموں اور میموری کے درمیان ایک مضبوط رشتہ ہے۔ فریموں کو نشان زد کرنے سے ہمیں ایک مقررہ، باقاعدہ، اور منظم میموری فریم ورک قائم کرنے میں مدد مل سکتی ہے، جس سے بڑی مقدار میں معلومات کو یاد کرنا آسان ہو جاتا ہے۔ مثال کے طور پر، ایک زبان سیکھتے وقت، ہم نئے الفاظ اور گرامر کے اصولوں کو حفظ کرنے کے لیے نشان زدہ فریم استعمال کر سکتے ہیں۔ تاریخ کا جائزہ لیتے وقت، ہم تاریخی واقعات اور ٹائم لائنز کو یاد کرنے کے لیے نشان زدہ فریم استعمال کر سکتے ہیں۔ اس طرح ہم تجریدی علم کو مزید ٹھوس اور قابل فہم بنا سکتے ہیں۔

ایک ہی وقت میں، نشان زدہ فریم ہمارے دماغ کی ہم آہنگی کی صلاحیت کو بھی متحرک کر سکتے ہیں، اس طرح ہماری یادداشت میں اضافہ ہوتا ہے۔ کیونکہ ہماری یادداشت ایسوسی ایشن اور کنکشن پر مبنی ہے، نشان زدہ فریموں کو قائم کرکے، ہم قدرتی طور پر نئے علم کو موجودہ علم کے ساتھ جوڑ سکتے ہیں، یادداشت اور سمجھ کو گہرا کر سکتے ہیں۔

انسانی یادداشت کی صلاحیت کو تربیت اور بہتر بنایا جا سکتا ہے۔ مسلسل مشق اور فریموں کو نشان زد کرنے جیسی میموری تکنیک کے استعمال کے ذریعے، ہم اپنی یادداشت کو بہتر بنا سکتے ہیں اور زندگی اور کام میں پیچیدہ معلومات اور کاموں سے بہتر طور پر نمٹ سکتے ہیں۔

مختصر یہ کہ فریموں کو نشان زد کرنا ایک بہت ہی موثر میموری تکنیک ہے۔ یہ اہم معلومات کو زیادہ تیزی اور درست طریقے سے یاد رکھنے میں ہماری مدد کر سکتا ہے۔ یہ ہماری ہم آہنگی کی صلاحیت کو بھی متحرک کر سکتا ہے اور ہماری یادداشت کو بہتر بنا سکتا ہے۔ آئیے ہم اپنی یادداشت کی مہارت کو مسلسل بہتر بنانے کے لیے نشان زدہ فریموں کو فعال طور پر استعمال کریں! یہ دیکھا جا سکتا ہے کہ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے، اور Cistanche deserticola یادداشت کو نمایاں طور پر بہتر بنا سکتا ہے کیونکہ Cistanche deserticola ایک روایتی چینی ادویاتی مواد ہے جس کے بہت سے منفرد اثرات ہیں، جن میں سے ایک یادداشت کو بہتر بنانا ہے۔ کیما بنایا ہوا گوشت کی افادیت اس میں موجود مختلف فعال اجزاء سے آتی ہے، بشمول ایسڈ، پولی سیکرائڈز، فلیوونائڈز وغیرہ۔ یہ اجزاء مختلف طریقوں سے دماغی صحت کو فروغ دے سکتے ہیں۔

قلیل مدتی میموری کو بہتر بنانے کے لیے Know پر کلک کریں۔

اصل اینکر کا استعمال کرنا مناسب نہیں تھا، کیونکہ ٹریفک کے نشانات بنیادی طور پر چھوٹے اور درمیانے اہداف ہوتے ہیں، TT100K ڈیٹاسیٹ میں کم بڑے اہداف کے ساتھ۔ ایک مخصوص ڈیٹاسیٹ کے لیے، ایک مناسب ابتدائی اینکر کا انتخاب پتہ لگانے کے اثر کو بہتر بنا سکتا ہے، نیٹ ورک کو سیکھنے میں آسان بنا سکتا ہے، اور باؤنڈنگ باکس کی کھوج کی شرح کو بڑھا سکتا ہے۔

امیدوار خانوں کو حاصل کرنے کے لیے K- یعنی کلسٹرنگ الگورتھم کا بہاؤ شکل 7 میں دکھایا گیا ہے۔

TT100K ڈیٹاسیٹ میں، بہتر YOLOv3 نیٹ ورک کے ڈھانچے میں ایک خصوصیت کی پیشن گوئی کا پیمانہ شامل ہے، جس کے نتیجے میں چار پیمانے اور بارہ اینکرز ہیں: (4, 5), (5, 6), (7, 7), (7, 13), (8, 8)، (9، 10)، (11، 12)، (13، 14)، (16، 17)، (20، 22)، (27، 29)، اور (41، 44)۔

4. تجربات اور نتائج کا تجزیہ

4.1 ڈیٹا سیٹ اور تشخیص کے اشارے

کچھ بڑے، عوامی طور پر دستیاب ٹریفک سائن ڈیٹا سیٹس ہیں، جن میں سے زیادہ تر GTSDB استعمال کرتے ہیں، لیکن GTSDB چینی ٹریفک علامات جیسا نہیں ہے۔ CTSDB، CCTSSDB، اور TT100K، دوسروں کے درمیان، چینی ٹریفک سائن ڈیٹا سیٹس ہیں۔

سی سی ٹی ایس ڈی بی کو سی ٹی ایس ڈی بی کی بنیاد پر بڑھایا گیا تھا، اور اس کے زمروں کو ٹریفک علامات کی تفصیلی درجہ بندی کے بغیر انتباہی علامات، دشاتمک علامات، اور ممانعت کے اشارے میں تقسیم کیا گیا تھا۔

TT100K ٹریفک سائن کلیکشن Tencent اور سنگھوا یونیورسٹی کے اشتراک سے بنایا گیا تھا۔ اس نے ٹریفک کے نشانات کی مکمل درجہ بندی اور شناخت کی پیشکش کی، مختلف موسمی اور روشنی کے حالات کا احاطہ کیا، اور ڈرائیونگ کے حقیقی حالات کے لیے زیادہ درست تھا۔

لہذا، اس مقالے میں TT100K ٹریفک سائن ڈیٹاسیٹ استعمال کیا گیا تھا، اور ٹریفک کے کچھ نشانات اور زمرہ کی معلومات تصویر 8 میں دکھائی گئی ہیں۔

TT100K ڈیٹاسیٹ میں 2048 x 2048 پکسلز کی ریزولوشن کے ساتھ 100،000 تصاویر ہیں، حالانکہ بغیر لیبل والی ٹریفک سائن کی تصاویر ہیں، اور کچھ زمروں میں صرف چند تصاویر یا ڈپلیکیٹ تصاویر ہیں، جس سے پتہ لگانے کا اثر کم ہوتا ہے۔

لہذا، اس مقالے نے ڈیٹاسیٹ سے بغیر لیبل والی اور ڈپلیکیٹ ٹریفک سائن کی تصاویر کو ہٹا دیا اور 45 کیٹیگریز کا انتخاب کیا جس میں ٹریفک علامات کی ایک بڑی تعداد تھی، جہاں 45 ٹریفک سائن کے زمرے تھے: pn, pne, i5, pll, pl40, po, pl50, pl80 , io, pl60, p26, i4, pll00, pl30, il60, l5, i2, w57, p5, p10, ip, pl120, il80, p23, pr40.ph4۔ 5, w59, p12, p3, w55. pm20, pl20, pg, pl70, pm55, il100, p27, w13, p19, ph4, ph5, wo, p6.pm30, اور w32، اور ہر ٹریفک نشان کے زمرے کی تعداد تصویر 9 میں دکھائی گئی ہے۔

شکل 9 سے پتہ چلتا ہے کہ اگر ٹریفک علامات کی ایک بڑی تعداد کے ساتھ 45 زمرہ جات کا انتخاب بھی کیا گیا تھا، تب بھی ہر زمرے کے درمیان ڈیٹا کی مقدار میں نمایاں عدم توازن موجود ہے، جس کے نتیجے میں ماڈل کی پیشن گوئی کی درستگی خراب ہے۔ نتیجتاً، جیسا کہ شکل 10 میں دکھایا گیا ہے، اس کام نے ڈیٹاسیٹ کو متوازن اور وسعت دی ہے جیسے کہ کلر ڈتھرنگ، گاوسی شور، اور امیج کی گردش کو استعمال کرتے ہوئے اس بات کو یقینی بنانے کے لیے کہ ہر زمرے کی مقدار قابل عمل ہونے کے برابر تھی۔

موزیک اپروچ ایک وقت میں چار امیجز کو پڑھتا ہے، ہر تصویر کے کلر گاموٹ کو ترازو اور تبدیل کرتا ہے، انہیں چار سمتوں میں ترتیب دیتا ہے اور پھر ٹارگٹ کا حقیقی فریم بنانے کے لیے تصاویر کو ایک ساتھ سلائی کرتا ہے۔

اضافہ کا طریقہ چار امیجز کو سلائی کرتا ہے، جو ایک ان پٹ کے ساتھ چار امیجز کے پیرامیٹرز کا حساب لگانے کے مترادف ہے۔ یہ بیچ ان پٹ کے لیے امیجز کی تعداد کو کم کر سکتا ہے، ٹریننگ کی دشواری اور ٹریننگ لاگت کو کم کر سکتا ہے، ٹریننگ کی رفتار کو بہتر بنا سکتا ہے، اور ڈیٹاسیٹ میں نمونوں کی تعداد کو بڑی حد تک افزودہ کر سکتا ہے، جو سیکھنے کے لیے موزوں ہے۔

اس مقالے میں، COCO ڈیٹاسیٹ کے تشخیصی میٹرکس، بشمول mAPou - 050APs، APM، AP، اور کئی دیگر میٹرکس، ماڈل کی کارکردگی کا جائزہ لینے کے لیے استعمال کیے گئے تھے۔ خاص طور پر، TT100K ٹریفک سائن ڈیٹاسیٹ میں زیادہ تر ٹریفک کے نشانات چھوٹے اہداف سے تعلق رکھتے تھے، اس لیے چھوٹے اہداف کا پتہ لگانے کی درستگی پر خصوصی توجہ دینے کی ضرورت ہے۔ تشخیصی میٹرکس کے مخصوص معنی درج ذیل ہیں:

AP: PR منحنی خطوط کے نیچے کا علاقہ، جہاں PR بالترتیب درستگی اور یاد ہے:

API {{0}.50: جب IoU کی حد 0.50 پر سیٹ کی جاتی ہے، یہ ڈیٹاسیٹ میں AP کے تمام زمروں کی اوسط ہوتی ہے، جو کہ PASCAL VOC ڈیٹاسیٹ کا تشخیصی اشاریہ ہے اور اس سے مطابقت رکھتا ہے۔ COCO تشخیصی اشاریہ میں APIoU=0.50 میں۔ PASCAL VOC ڈیٹاسیٹ اور COCO ایویلیویشن انڈیکس میں APloU=0.5 سے مماثل ہے۔

APs: چھوٹی اشیاء کے لیے mAP کی اوسط قدر: رقبہ < 322، اور loU=رینج (0.5، 100، 0.05) کل کے لیے 10 oUs کا۔

APm: درمیانی اشیاء: 322 < رقبہ < 962، اور loU=رینج (0.5، 1.00، 0.05) ایک کے لیے mAP کی اوسط قدر کل 10 IoUs۔

AP: بڑی اشیاء کے لیے mAP کی اوسط قدر: رقبہ > 962، اور loU=رینج (0.5، 100، 0.05 کل 10 کے لیے آئی او یوز

4.2 تجرباتی نتائج اور تجزیہ

4.2.1 بہتر YOLOv3 موازنہ تجربہ

بہتر طریقوں کے ساتھ تین YOLOv3 نیٹ ورکس کا اس مطالعہ میں موازنہ اور تجربہ کیا گیا، TT100K ٹریفک سائن ڈیٹاسیٹ اور ان پٹ امیجز کا استعمال کیا گیا جو 608 × 608 پکسلز سائز کی تھیں۔ شکل 11 TT100 ڈیٹاسیٹ پر تربیت یافتہ M-YOLOv3 کا نقشہ اور AR دکھاتا ہے۔

مختلف سائز کے اہداف کا پتہ لگانے کے نتائج شکل 12 اور جدول 1 میں دکھائے گئے ہیں۔ ان میں سے، YOLOv3-DK نے نقصان کے فنکشن DIoU نقصان اور دوبارہ کلسٹرنگ اینکر کو بہتر بنانے کی حکمت عملی اپنائی۔ YOLOv3-SPP نے پرامڈ پولنگ ڈھانچے کی فیوژن اسپیس حکمت عملی کو اپنایا؛ YOLOv3-4l نے 152 × 152 اسکیلز کے ساتھ چوتھی پیشین گوئی فیچر لیئر کو شامل کرنے کی حکمت عملی اپنائی۔ اور M-YOLOv3 تمام بہتر حکمت عملیوں کا استعمال کرتے ہوئے YOLOv3 نیٹ ورک کا ڈھانچہ تھا۔

جدول 1 اور شکل 12 سے پتہ چلتا ہے کہ کسی بھی حکمت عملی کو استعمال کیے بغیر اصل YOLOv3 کی اوسط اوسط درستگی 68.9% تھی۔ اس کے برعکس، تمام طریقوں کے ساتھ اپ گریڈ شدہ YOLOv3 کا نقشہ 77.3% تھا، جو پتہ لگانے میں 8.4% کی بہتری ہے۔

DIoU نقصان کا فنکشن اور دوبارہ کلسٹرنگ اینکر تکنیک نے پتہ لگانے کی درستگی میں 1.3 فیصد اضافہ کیا۔ تاہم، بہتری تربیت کے دوران تیزی سے نقصان کے فنکشن کنورژنس کی وجہ سے ہوئی، جس نے ٹارگٹ باکس ریگریشن کو مزید مستحکم بنایا اور یاد کرنے کی شرح کو بہتر کیا۔ MAP میں مزید واضح بہتری YOLOv3 میں دیکھی گئی، جس میں SPP ڈھانچہ شامل تھا اور 73.2% حاصل کیا گیا۔

SPP ڈھانچہ نے مقامی اور عالمی خصوصیات کو یکجا کیا، خصوصیت کے نقشے کی خود کو ظاہر کرنے کی صلاحیت کو بڑھایا اور پتہ لگانے کی درستگی کو نمایاں طور پر بڑھایا۔ 152 × 152 پیمانوں کے ساتھ چوتھی پیشین گوئی کی خصوصیت کی پرت کو شامل کرنے کے طریقہ کار کا استعمال کرتے ہوئے، themAP کو بھی کافی بہتر بنایا گیا۔

چھوٹے ہدف کا پتہ لگانے کی درستگی میں YOLOv3 کے مقابلے میں 10.5 فیصد اضافہ کیا گیا، جس نے چھوٹے ہدف کی پیشین گوئی کے لیے نیٹ ورک میں اتھلی خصوصیات کا بھرپور استعمال کیا، جس کے نتیجے میں پتہ لگانے کا اثر کافی بہتر ہوا، لیکن نیٹ ورک کی پیچیدگی اور پروسیسنگ میں اضافہ کی قیمت پر۔ . بہترین بہتری M-YOLOv3 تھی، جس نے تین بہتری کے طریقہ کار کو ملا کر 77.3% کا mAP حاصل کیا، جو کہ YOLOv30 کی اوسط اوسط درستگی سے 8.4% زیادہ ہے۔ شکل 13 TT100K پر M-YOLOv3 کے ٹیسٹ کے نتائج کو ظاہر کرتی ہے۔

4.2.2 بہتر YOLOv3 الگورتھم کا دوسرے الگورتھم کے ساتھ موازنہ

M-YOLOv3 کا موازنہ کئی دوسرے کلاسیکل ٹارگٹ ڈیٹیکشن الگورتھم سے کیا گیا تاکہ بہتر نیٹ ورک کی شناخت کی شناخت کو مزید درست کیا جا سکے، اور نتائج ٹیبل 2 میں دکھائے گئے ہیں۔

جدول 2 یہ ظاہر کرتا ہے کہ M-YOLOv3 میں سب سے زیادہ 77.3% کا mAP تھا، اور SSD کے پاس 42 کے FPS کے ساتھ بہترین ریئل ٹائم کارکردگی تھی۔ کارکردگی کم ہو گئی. ایک مرحلے کے الگورتھم SSD کے مقابلے میں، ایم اے پی میں 12 فیصد بہتری آئی، لیکن اصل وقت کی کارکردگی میں اب بھی ایک فرق تھا۔ دو مراحل کے ہدف کا پتہ لگانے والے گورتھم فاسٹر-آر سی این این کے مقابلے میں، ایف پی ایس کو 22 تک بہتر کیا گیا تھا، اور ایم اے پی کو بھی 1.7 فیصد تک بہتر کیا گیا تھا، جس سے پتہ لگانے کی رفتار، نیز پتہ لگانے کی درستگی میں بہتری آئی ہے۔ ٹرائلز نے ظاہر کیا کہ M-YOLOv3 نے پتہ لگانے کی درستگی اور رفتار کے لحاظ سے بہتر کارکردگی کا مظاہرہ کیا۔

4.2.3 خاص ماحول میں ٹریفک کے نشانات پر YOLOv3 کا بہتر شناختی اثر

مختلف عوامل کی وجہ سے، جیسے کہ تیز روشنی کی شعاع ریزی، رات کا وقت، اور ٹریفک کے نشانات کی موجودگی کے خصوصی ماحول، جو حقیقی دنیا کے ڈرائیونگ منظرناموں میں ٹریفک کے نشانات کی شناخت اور شناخت کو متاثر کرے گا، خاص ماحول میں ٹریفک کے نشانات پر ماڈل کے شناختی اثر پر غور کرنا بھی ضروری تھا۔ خاص حالات میں، اپ گریڈ شدہ YOLOv3 ماڈل کو ٹریفک علامات کو پہچاننے کے لیے استعمال کیا گیا تھا، جیسا کہ شکل 13 میں دکھایا گیا ہے۔

تصویر 14 میں، YOLOv3 کے پتہ لگانے کے اثر کا موازنہ ایک خاص ماحول میں M-YOLOv3 کے ساتھ کیا جاتا ہے۔ جیسا کہ شکل 14(b1,c1) میں دکھایا گیا ہے، YOLOv3 الگورتھم ایک غیر واضح ٹریفک نشان کی صورت میں غیر واضح ٹریفک نشان کا پتہ لگانے میں ناکام رہا، جبکہ بہتر YOLOv3algorithm نے غیر واضح ٹریفک نشان کی درست نشاندہی کی۔ جیسا کہ شکل 14(b2,c2) میں دکھایا گیا ہے، YOLOv3 الگورتھم کو تیز روشنی کی شعاعوں کے ماحول کے تحت ٹریفک کے نشانات کی شناخت کے لیے غلط پتہ لگانے اور کھو جانے کا پتہ لگانے کے مسائل تھے، جبکہ بہتر YOLOv3algorithm نے تمام ٹریفک علامات کو درست طریقے سے پہچانا۔

بہتر YOLOv3 الگورتھم نے چھوٹے اہداف کے لیے چوتھے فیچر کی پیشن گوئی کے پیمانے میں اضافہ کیا، چھوٹے اہداف کا پتہ لگانے کے اثر کو بہتر بنایا، جبکہ YOLOv3 الگورتھم میں چھوٹے اہداف کے لیے کھو جانے اور کم اعتماد کے مسائل تھے، جیسا کہ شکل 14(b3,c3) میں دکھایا گیا ہے۔ مدھم روشنی والے ماحول میں، جیسے کہ رات کے وقت، اپ گریڈ شدہ YOLOv3 الگورتھم نے ٹریفک کے نشانات کو پہچانا، جیسا کہ شکل 14(b4,c4) میں دکھایا گیا ہے۔ تاہم YOLOv3 طریقہ نے اہداف کا پتہ نہیں لگایا۔ نتیجہ کے طور پر، خاص حالات میں، اپ ڈیٹ کردہ YOLOv3 الگورتھم نے اب بھی بہتر پتہ لگانے کے نتائج حاصل کیے ہیں۔

5. نتائج

اس تحقیق میں ترمیم شدہ YOLOv3 پر مبنی ایک ٹریفک نشان کا پتہ لگانے اور شناخت کرنے والے نیٹ ورک کی تجویز دی گئی تھی، تاکہ چھوٹے اہداف کا پتہ لگانا مشکل ہو اور ٹریفک کے نشانات کا پتہ لگانے اور شناخت کے کاموں میں پتہ لگانے کی درستگی کم ہو۔

نئے مقامی اہرام کے پولنگ ڈھانچے نے اس مطالعہ میں مقامی اور عالمی خصوصیات کے فیوژن کو فعال کیا، ساتھ ہی چھوٹے اہداف کے لیے چوتھے فیچر کی پیشن گوئی کے پیمانے میں اضافہ کیا تاکہ چھوٹے اہداف کا پتہ لگانے کے اثر کو بہتر بنایا جا سکے۔ ٹارگٹ فریم ریگریشن کو مزید مستحکم بنانے کے لیے، DIoU نقصان کا استعمال کیا گیا، جس میں تیز تر کنورجنس تھا اور ہدف فریم ریگریشن کے ساتھ زیادہ مطابقت رکھتا تھا۔

ریئل ٹائم نیٹ ورک کو ممکنہ حد تک کم نقصان پہنچا کر پتہ لگانے کے نیٹ ورک کی درستگی کو کافی حد تک بہتر بنایا گیا تھا۔ ایم اے پی میں 8.4 پوائنٹس کا اضافہ ہوا۔ اپ گریڈ شدہ YOLOv3 الگورتھم نے نیٹ ورک کی پیچیدگی کو بڑھایا اور پتہ لگانے کی رفتار کو کم کیا۔ تاہم، حقیقی وقت کا پتہ لگانا ابھی بہت دور ہے۔ لہذا، اگلا تحقیقی علاقہ اصل وقت کا پتہ لگانے کے اثر کو پورا کرنے کے لئے پتہ لگانے کی رفتار کو بڑھا دے گا۔

مصنف کی شراکتیں: طریقہ کار اور تحریری- اصل مسودہ کی تیاری، AL اور CG؛ رسمی تجزیہ اور تفتیش، وائی ایس؛ ڈیٹا کیوریشن، NX؛ وسائل، AL؛ توثیق، WH تمام مصنفین نے مخطوطہ کے شائع شدہ ورژن کو پڑھا اور اس سے اتفاق کیا۔

فنڈنگ: اس پروجیکٹ کو شانڈونگ پراونشل ہائر ایجوکیشنل یوتھ انوویشن سائنس اینڈ ٹیکنالوجی پروگرام (گرانٹ نمبر 2019KJB019)، چین کی شانڈونگ پراونشل نیچرل سائنس فاؤنڈیشن (گرانٹ نمبر ZR2021MF131، ZR2015EL019، اور ZR2020 کی سائنس اور فاؤنڈیشن کے ZR2015EL019)، اور ZR2020 کی سائنس کے ذریعے تعاون کیا گیا۔ چین (گرانٹ نمبر 61601265 اور 51505258)۔ اس پروجیکٹ کو چائنا پوسٹ ڈاکیٹرل سائنس فاؤنڈیشن (گرانٹ نمبر 2021M701405)، ریاستی کلیدی لیبارٹری آف مکینیکل بیویور اینڈ سسٹم سیفٹی آف ٹریفک انجینئرنگ سٹرکچرز، چین (گرانٹ نمبر 1903)، ہیبی ٹریفک کنٹرول سیفٹی اینڈ اوپن پروجیکٹ کے ذریعے فنڈ کیا گیا تھا۔ کلیدی لیبارٹری، چین (گرانٹ نمبر JTKY2019002)، اور شانڈونگ صوبے میں اہم سائنس اور ٹیکنالوجی انوویشن پروجیکٹ (گرانٹ نمبر 2022CXGC020706)۔

ادارہ جاتی جائزہ بورڈ کا بیان: قابل اطلاق نہیں ہے۔

باخبر رضامندی کا بیان: قابل اطلاق نہیں ہے۔

ڈیٹا کی دستیابی کا بیان: قابل اطلاق نہیں ہے۔

اعترافات: ہم تمام مصنفین کا شکریہ ادا کرتے ہیں کہ انہوں نے اس مضمون کی تحریر میں تعاون کیا۔

مفادات کے تصادم: مصنفین مفادات کے تصادم کا اعلان نہیں کرتے ہیں۔

حوالہ جات

1. De la Escalera, A.; آرمنگول، جے ایم؛ ماتا، ایم ٹریفک سائن کی شناخت اور ذہین گاڑیوں کا تجزیہ۔ تصویری Vis. کمپیوٹنگ 2003،21، 247–258۔ [کراس ریف]

2. سعدنا، وائی۔ بہلول، اے۔ ٹریفک کے نشانات کا پتہ لگانے اور درجہ بندی کے طریقوں کا ایک جائزہ۔ انٹر J. ملٹی میڈ معلومات. Retr 2017، 6,193–210۔ [کراس ریف]

3. بومیڈین، ایم. Cudel، C.؛ باسیٹ، ایم. Ouamri, A. RSLD الگورتھم کی بنیاد پر سہ رخی ٹریفک علامات کا پتہ لگانا۔ مچ Vis. Appl.2013, 24, 1721–1732. [کراس ریف]

4. Maldonado-Bascón, S.; Lafuente-Arroyo, S.; Gil-Jimenez، P.؛ گومز مورینو، ایچ۔ Lopez-Ferreras، F. سپورٹ ویکٹر مشینوں کی بنیاد پر روڈ سائن کا پتہ لگانا اور پہچاننا۔ آئی ای ای ای ٹرانس۔ انٹیل۔ ٹرانسپ سسٹم 2007، 8، 264–278۔ [کراس ریف]

5. Bahlmann، C.؛ Zhu, Y.; رمیش، وی. پیلکوفر، ایم؛ Koehler, T. رنگ، شکل، اور حرکت کی معلومات کا استعمال کرتے ہوئے ٹریفک کے نشانات کا پتہ لگانے، ٹریکنگ، اور شناخت کے لیے ایک نظام۔ IEEE کی کارروائیوں میں۔ انٹیلیجنٹ وہیکلز سمپوزیم، 2005، لاس ویگاس، NV، USA، 6-8 جون 2005؛ صفحہ 255-260۔

6. رین، ایس. He, K.; گرشک، آر. Sun, J. Faster R-CNN: ریجن پروپوزل نیٹ ورکس کے ساتھ ریئل ٹائم آبجیکٹ کا پتہ لگانے کی طرف۔ Adv. اعصابی معلومات۔ عمل سسٹم 2015، 28، 91-99۔ [کراس ریف] [پب میڈ]

7. لیو، ڈبلیو. Anguelov، D.؛ ایرہان، ڈی۔ Szegedy، C.؛ ریڈ، ایس. فو، C.-Y.؛ برگ، AC SSD: سنگل شاٹ ملٹی باکس ڈیٹیکٹر۔ کمپیوٹر وژن پر یورپی کانفرنس میں؛ اسپرنگر: چام، سوئٹزرلینڈ، 2016؛ صفحہ 21-37۔

8. ریڈمون، جے؛ Divvala, S.; گرشک، آر. فرہادی، اے۔ آپ صرف ایک بار دیکھیں: متحد، حقیقی وقت میں آبجیکٹ کا پتہ لگانا۔ کمپیوٹر وژن اور پیٹرن کی شناخت پر IEEE کانفرنس کی کارروائی میں، لاس ویگاس، NV، USA، 27-30 جون 2016؛ IEEE: Piscataway, NJ, USA,2016; صفحہ 779-788۔

9. وانگ، زیڈ؛ Guo, H. convolutional عصبی نیٹ ورک کی بنیاد پر ٹریفک کے نشانات کا پتہ لگانے پر تحقیق۔ 12ویں بین الاقوامی سمپوزیم کی کارروائی میں بصری معلوماتی مواصلات اور تعامل، شنگھائی، چین، 20-22 ستمبر 2019؛ صفحہ 1-5۔

10. ہان، سی. گاو، جی؛ Zhang, Y. نظر ثانی شدہ تیز-RCNN کے ساتھ ریئل ٹائم چھوٹے ٹریفک نشان کا پتہ لگانا۔ ملٹی میڈیا۔ ٹولز ایپل۔ 2019، 78,13263–13278۔ [کراس ریف]

11. ژانگ، جے؛ ہوانگ، ایم؛ جن، ایکس۔ Li, X. ترمیم شدہ YOLOv2 پر مبنی ایک حقیقی وقت کا چینی ٹریفک نشان کا پتہ لگانے والا الگورتھم۔ الگورتھم 2017، 10، 127۔ [کراس ریف]

12. زو، Z. لیانگ، ڈی. Zhang, S.; ہوانگ، ایکس؛ لی، بی؛ Hu, S. جنگل میں ٹریفک کے نشان کا پتہ لگانے اور درجہ بندی۔ کمپیوٹر ویژن اور پیٹرن ریکگنیشن 2016 پر IEEE کانفرنس کی کارروائی میں، لاس ویگاس، NV، USA، 27-30 جون 2016؛ صفحہ 2110-2118۔

For more information:1950477648nn@gmail.com