حول سلامة مستخدمي الطريق الضعفاء من خلال اكتشاف توجيه الدراجين باستخدام التعلم العميق

في هذا العمل، يتم الاعتراف بأهمية اكتشاف الاتجاه باستخدام التعلم العميق لفئة مستخدمي الطريق الأكثر عرضة للخطر، وهي راكبي الدراجات. معرفة اتجاه راكبي الدراجات ذات أهمية كبيرة لأنها توفر فكرة جيدة عن مسارهم المستقبلي، وهو أمر حاسم لتجنب الحوادث في سياق أنظمة النقل الذكية. باستخدام التعلم بالنقل مع نماذج مسبقة التدريب و TensorFlow، نقدم مقارنة أداء بين الخوارزميات الرئيسية المبلغ عنها في الأدب العلمي لاكتشاف الأشياء، مثل SSD و Faster R-CNN و R-FCN بالإضافة إلى مستخلصات السمات MobilenetV2 و InceptionV2 و ResNet50 و ResNet101. علاوة على ذلك، نقترح اكتشاف متعدد الفئات يشمل ثماني فئات مختلفة بناءً على الاتجاهات. لتحقيق ذلك، نقدم مجموعة بيانات جديدة تسمى "Detect-Bike" تحتوي على 20,229 حالة لراكبي الدراجات عبر 11,103 صورة، والتي تم تصنيفها بناءً على اتجاه راكب الدراجة. بعد ذلك، يتم تدريب نفس طرق التعلم العميق المستخدمة لاكتشاف الأشياء لتحديد اتجاه الهدف. أظهرت نتائج تجاربنا وتقييمنا الواسع أداءً مرضيًا لكافة الطرق المدروسة لاكتشاف راكبي الدراجات وتحديد اتجاهاتهم، خاصة أن استخدام Faster R-CNN مع ResNet50 ثبت أنه دقيق ولكنه بطيء بشكل كبير. في المقابل، قدمت SSD باستخدام InceptionV2 توازنًا جيدًا بين الدقة والوقت التنفيذي، وهي الطريقة المفضلة للتطبيقات المدمجة في الوقت الحقيقي.