الفهرس 
Chapter 1. IntroductionOnly 14 pages are availabe for public view
 |  | from | 95 |  |  |
| | | from | 95 | | |
Abstract
في أنظمة القيادة الذاتية وأنظمة مساعدة السائق المتقدمة (ADAS)، تعد خوارزمية الكشف عن المسار ضرورية. أظهرت طرق الكشف عن الممرات القائمة على التعلم العميق نتائج مشجعة مؤخرًا. ومع ذلك، فإن فعالية هذه الأساليب تتأثر بشدة بمستوى وحجم مجموعة بيانات التدريب. التعلم النشط هو تقنية متقدمة يمكنها تحسين أداء أنظمة الكشف عن الممرات بناءً على التعلم العميق من خلال اختيار وتصنيف الأمثلة المفيدة بشكل منهجي من مجموعة كبيرة من البيانات غير المسماة. تقدم دراستنا طريقة جديدة للتعلم العميق أحادي البعد تتضمن خوارزمية كشف المسار المعززة القائمة على التعلم النشط (ALDA). تقوم ALDA باختيار عينات مستنيرة باستخدام معايير تستند إلى كل من التنوع وعدم اليقين. أجرينا اختبارات على عدد من مجموعات البيانات المعيارية، بما في ذلك مجموعة بيانات CUlane المعروفة، لتقييم فعالية. تقدم الدراسه طريقة جديدة ذات بعد واحد للتعلم العميق تدمج خوارزمية الكشف عن المسارات المعززة بالتعلم النشط (ALDA). تقوم ALDA باختيارات مستنيرة للعينات باستخدام معايير تعتمد على التنوع والشكوك. أجرينا اختبارات على عدد من مجموعات البيانات المعيارية، بما في ذلك مجموعة البيانات CUlane المعروفة، لتقييم فعالية هذه الاستراتيجية. تتفوق طريقتنا المقترحة، ALDA، على أربع خوارزميات حديثة للكشف عن المسارات من حيث الصلابة والدقة. نؤكد أن التعلم النشط يقلل بشكل كبير من الحاجة إلى البيانات المصنفة للتدريب مع الحفاظ على مستويات أداء جيدة. وبالتالي، يمكن لمنهجيتنا المقترحة أن تحسن الأمان والموثوقية في أنظمة ADAS والقيادة الذاتية. تحقق خوارزمية الكشف عن المسارات المبنية على التعلم النشط (ALDA) نتائج مثيرة للإعجاب مقارنة بتقنيات التعلم العميق الأخرى: دقة بنسبة 98.01%، ودقة بنسبة 98.5173%، واستدعاء بنسبة 95.2296%، ونسبة F1 بنسبة 96.845%، ومتوسط دقة بنسبة 92.7%، وخطأ متوسط مربع بنسبة 0.0097.