عنوان	تشخیص اشیاء در خودروهای خودران در شرایط آب و هوایی نامساعد
نوع پژوهش	پایان نامه‌
کلیدواژه‌ها	یادگیری عمیق، خودروهای خودران، تشخیص اشیاء، شرایط آب و هوایی نامساعد، پردازش تصویر.
چکیده	تشخیص دقیق و سریع اشیاء از اجزای حیاتی در سیستم‌های ادراک خودروهای خودران به‌شمار می‌رود. با وجود پیشرفت‌های چشمگیر در حوزه‌ی یادگیری عمیق، عملکرد بسیاری از مدل‌های مرسوم در مواجهه با شرایط جوی نامساعد نظیر مه، باران، برف یا نور ناکافی، با افت محسوسی همراه است. هدف این پژوهش، طراحی و ارزیابی یک چارچوب بهینه برای افزایش دقت، پایداری و قابلیت اجرای بلادرنگ مدل‌های تشخیص شیء در چنین شرایطی است. به‌منظور دستیابی به این هدف، یک مدل جدید ارائه شده است که دارای چهار گام اصلی می‌باشد. در گام نخست، معماری سنتی VGG-16 در ساختار GDIP با معماری پیشرفته‌ی ConvNeXt-Tiny جایگزین شد تا استخراج ویژگی‌ها با دقت و کارایی بالاتری انجام گیرد. در گام دوم، افزودن ماژول توجه CBAM موجب تقویت تمرکز مدل بر نواحی کلیدی تصویر گردید. در گام سوم، سازوکار گیت‌گذاری پیکسلی PGEM با کرنل ۳×۳ به‌منظور ترکیب موضعی و تطبیقی شاخه‌های پردازش تصویر افزوده شد. نهایتاً در گام چهارم، آشکارساز YOLOv3 با نسخه‌ی مدرن و دقیق YOLOv11-x جایگزین گردید. ارزیابی مدل نهایی بر روی مجموعه‌داده‌ی DAWN نشان داد که چارچوب پیشنهادی با ثبت مقادیر mAP@0.5 برابر ۰.۸۰۷ و mAP@0.5:0.95 معادل ۰.۴۹۸، عملکردی بهتر نسبت به مدل‌های قبلی ارائه داده است. همچنین، نرخ پردازش ۶۴.۹ فریم بر ثانیه، قابلیت اجرای بلادرنگ مدل را در کاربردهای حساس نظیر سامانه‌های بینایی خودروهای خودران تضمین می‌نماید. نتایج حاصل از این پژوهش نشان می‌دهند که ترکیب ماژول‌های پردازش تصویر تطبیقی با آشکارسازهای پیشرفته، می‌تواند راهکاری مؤثر برای طراحی سیستم‌های بینایی ماشین مقاوم در برابر اغتشاشات محیطی فراهم آورد.
پژوهشگران	سجاد احمدیان (استاد راهنمای اول)، فاطمه اخوان کاظمی (دانشجو)