DOI: https://doi.org/10.1038/s41598-025-02491-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40410394
تاريخ النشر: 2025-05-23
المؤلف: Youseef Alotaibi وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث نهج VDTC-CEOADL، وهو أسلوب مبتكر لاكتشاف وتصنيف المركبات باستخدام صور الاستشعار عن بعد عالية الدقة (RSIs). يدمج هذه التقنية كاشف الأجسام YOLO-HR مع هيكل شبكة متبقية لتحقيق تحديد دقيق للمركبات والتعرف عليها. بالإضافة إلى ذلك، يستخدم خوارزمية تحسين التوازن الفوضوي (CEOA) لضبط المعلمات الفائقة لنموذج ResNet، مما يعزز الأداء العام لعملية الكشف. بالنسبة لتصنيف المركبات، يستخدم النهج نموذج الذاكرة الطويلة والقصيرة المدى المعتمد على الانتباه (ALSTM)، مما يسمح بالتفريق بين أنواع المركبات المختلفة، مثل الشاحنات والدراجات النارية والسيارات والحافلات.
تم التحقق من أداء تقنية VDTC-CEOADL على مجموعة بيانات RSI عالية الدقة، مما يظهر تفوقها على الأساليب الحالية من حيث مقاييس الكشف والتصنيف. تسلط الدراسة الضوء على فعالية دمج التعلم العميق مع تقنيات التحسين المتقدمة لتحسين تطبيقات مراقبة المركبات في سياقات متنوعة، بما في ذلك مراقبة الحدود ومراقبة حركة المرور الحضرية.
الطرق
يستعرض قسم “الطرق” المواد والإجراءات المستخدمة في البحث. يوضح الإعداد التجريبي المحدد، بما في ذلك أنواع المواد المستخدمة، ومصادرها، وأي تقنيات تحضير ذات صلة. تم تصميم المنهجية لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها، مع التأكيد على أهمية الظروف المسيطر عليها والبروتوكولات القياسية.
بالإضافة إلى ذلك، قد يصف القسم التقنيات التحليلية المستخدمة لتقييم البيانات المجمعة، بما في ذلك الأساليب الإحصائية وأدوات البرمجيات المستخدمة للتحليل. يهدف هذا النهج الدقيق إلى التحقق من النتائج ودعم الاستنتاجات المستخلصة من البحث، مما يضمن أن النتائج ذات دلالة وقابلة للتطبيق في المجال الأوسع للدراسة.
النتائج
تم تقييم نتائج طريقة VDTC-CEOADL لاكتشاف وتصنيف المركبات باستخدام مجموعتين من البيانات: مجموعة بيانات VEDAI، التي تتكون من 3687 عينة عبر 9 فئات، ومجموعة بيانات ISPRS Potsdam، التي تتكون من 2244 عينة عبر 4 فئات. أظهرت طريقة VDTC-CEOADL مقاييس أداء عالية على كلا مجموعتي البيانات، محققة دقة متوسطة قدرها 98.79% مع 80% من بيانات التدريب على مجموعة بيانات VEDAI، إلى جانب حساسية قدرها 84.89%، وخصوصية قدرها 99.23%، ودرجة F قدرها 87.44%، ودرجة AUC قدرها 92.06%. وبالمثل، على مجموعة بيانات ISPRS Potsdam، حققت الطريقة دقة متوسطة قدرها 98.47% مع 80% من بيانات التدريب، مع حساسية وخصوصية ودرجات F وAUC قدرها 78.45% و95.49% و83.53% و86.97%، على التوالي.
شملت التحليلات مصفوفات الارتباك، ودقة الاسترجاع (PR)، ومنحنيات خصائص التشغيل المستقبلية (ROC)، وكلها تشير إلى أداء متفوق لطريقة VDTC-CEOADL عبر جميع الفئات. أظهرت الطريقة زيادة في الدقة خلال مراحل التدريب والتحقق، مما يدل على قدرات تعلم فعالة. كشفت التقييمات المقارنة مع نماذج التعلم العميق الأخرى أن طريقة VDTC-CEOADL تفوقت على نماذج مثل LeNet وVGG-19، التي كانت لها قيم دقة أقل تبلغ 96.56% و97.06%، على التوالي. علاوة على ذلك، أظهرت طريقة VDTC-CEOADL أيضًا كفاءة حسابية ملائمة مقارنة بالتقنيات الأخرى، مما يجعلها نهجًا قويًا لمهام اكتشاف وتصنيف المركبات.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لتقنيات الاستشعار عن بعد (RS) في معالجة تحديات إدارة حركة المرور الحضرية التي تفاقمت بسبب التحضر السريع. تسلط الورقة الضوء على ضرورة الكشف الدقيق عن المركبات وتصنيفها في صور الاستشعار عن بعد عالية الدقة (RSIs) لدعم أنظمة النقل الذكية. على الرغم من التقدم، لا يزال اكتشاف المركبات في RSIs معقدًا بسبب عوامل مثل اختلاف أحجام الأجسام، والخلفيات المعقدة، وقيود الأساليب التقليدية للتعلم الآلي. تقدم الدراسة تقنية جديدة لاكتشاف وتصنيف المركبات باستخدام خوارزمية تحسين التوازن الفوضوي مع التعلم العميق (VDTC-CEOADL)، والتي تجمع بشكل متكامل بين المنهجيات المتقدمة لتعزيز دقة وكفاءة الكشف.
يتضمن إطار عمل VDTC-CEOADL كاشف أجسام قائم على YOLO-HR، وآلية ضبط المعلمات الفائقة عبر خوارزمية تحسين التوازن الفوضوي (CEOA)، ونموذج الذاكرة الطويلة والقصيرة المدى المعتمد على الانتباه (ALSTM) لتصنيف المركبات. تهدف الطريقة المقترحة إلى التغلب على التحديات الحالية في اكتشاف المركبات، مثل تحسين المعلمات الفائقة والتركيز على الميزات الرئيسية أثناء التصنيف. كما تفصل الدراسة التحضير الواسع لمجموعة البيانات المطلوبة لتنفيذ تقنية VDTC-CEOADL، مما يضمن التوافق ويعزز قوة النموذج من خلال استراتيجيات متنوعة لزيادة البيانات. بشكل عام، تقدم البحث تقدمًا كبيرًا في مجال اكتشاف المركبات في RSIs، مع آثار على التخطيط الحضري، وإدارة المرور، والمراقبة البيئية.
DOI: https://doi.org/10.1038/s41598-025-02491-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40410394
Publication Date: 2025-05-23
Author(s): Youseef Alotaibi et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents the VDTC-CEOADL approach, an innovative method for vehicle detection and classification using high-resolution remote sensing images (RSIs). This technique integrates a YOLO-HR object detector with a residual network backbone for accurate vehicle localization and identification. Additionally, it employs a chaotic equilibrium optimization algorithm (CEOA) for hyperparameter tuning of the ResNet model, enhancing the overall performance of the detection process. For vehicle classification, the approach utilizes an attention-based long-short-term memory (ALSTM) model, allowing for the differentiation of various vehicle types, such as trucks, motorcycles, cars, and buses.
The performance of the VDTC-CEOADL technique was validated on a high-resolution RSI dataset, demonstrating its superiority over existing methods in terms of detection and classification metrics. The study highlights the effectiveness of combining deep learning with advanced optimization techniques to improve vehicle monitoring applications in diverse contexts, including border control and urban traffic surveillance.
Methods
The “Methods” section outlines the materials and procedures utilized in the research. It details the specific experimental setup, including the types of materials used, their sources, and any relevant preparation techniques. The methodology is designed to ensure reproducibility and reliability of results, emphasizing the importance of controlled conditions and standardized protocols.
Additionally, the section may describe the analytical techniques employed to assess the data collected, including statistical methods and software tools used for analysis. This rigorous approach aims to validate the findings and support the conclusions drawn from the research, ensuring that the results are both significant and applicable to the broader field of study.
Results
The results of the VDTC-CEOADL method for vehicle detection and classification were evaluated using two datasets: the VEDAI dataset, comprising 3687 samples across 9 classes, and the ISPRS Potsdam dataset, consisting of 2244 samples across 4 classes. The VDTC-CEOADL method demonstrated high performance metrics on both datasets, achieving an average accuracy of 98.79% with 80% training data on the VEDAI dataset, alongside a sensitivity of 84.89%, specificity of 99.23%, F-score of 87.44%, and AUC score of 92.06%. Similarly, on the ISPRS Potsdam dataset, the method attained an average accuracy of 98.47% with 80% training data, with corresponding sensitivity, specificity, F-score, and AUC scores of 78.45%, 95.49%, 83.53%, and 86.97%, respectively.
The analysis included confusion matrices, precision-recall (PR), and receiver operating characteristic (ROC) curves, all indicating superior performance of the VDTC-CEOADL method across all classes. The method exhibited increasing accuracy during training and validation phases, demonstrating effective learning capabilities. Comparative assessments with other deep learning models revealed that the VDTC-CEOADL method outperformed models such as LeNet and VGG-19, which had lower accuracy values of 96.56% and 97.06%, respectively. Furthermore, the VDTC-CEOADL method also showed favorable computational efficiency compared to other techniques, establishing it as a robust approach for vehicle detection and classification tasks.
Discussion
The discussion section of the research paper emphasizes the critical role of remote sensing (RS) techniques in addressing urban traffic management challenges exacerbated by rapid urbanization. The paper highlights the necessity for precise vehicle detection and classification in high-resolution remote sensing images (RSIs) to support intelligent transportation systems. Despite advancements, detecting vehicles in RSIs remains complex due to factors such as varying object sizes, complex backgrounds, and the limitations of traditional machine learning approaches. The study introduces a novel Vehicle Detection and Classification using Chaotic Equilibrium Optimization Algorithm with Deep Learning (VDTC-CEOADL) technique, which synergistically combines advanced methodologies to enhance detection accuracy and efficiency.
The VDTC-CEOADL framework incorporates a YOLO-HR based object detector, a hyperparameter tuning mechanism via the Chaotic Equilibrium Optimization Algorithm (CEOA), and an Attention-based Long Short-Term Memory (ALSTM) model for vehicle classification. The proposed method aims to overcome existing challenges in vehicle detection, such as optimizing hyperparameters and focusing on key features during classification. The study also details the extensive dataset preparation required for the implementation of the VDTC-CEOADL technique, ensuring compatibility and enhancing the model’s robustness through various data augmentation strategies. Overall, the research presents a significant advancement in the field of vehicle detection in RSIs, with implications for urban planning, traffic management, and environmental monitoring.