پس از موضوعاتی چون تشخیص مکان خودرو و شناسایی گروه کلی خودرو، شناسایی نوع و مدل دقیق وسیله نقلیه (VMMR) در دهه اخیر در مرکز توجه محققین قرار گرفته است. این مساله به دلیل وجود تعداد کلاس های زیاد و شباهت بسیار زیاد این کلاس ها به یکدیگر، از مسائل طبقه بندی دشوار به حساب می آید. در این مقاله، روشی برای شناسایی نوع و مدل وسیله نقلیه پیشنهاد شده است.روش پیشنهادی شامل دو بخش است. ارائه رویکردی جدید برای شناسایی نوع و مدل وسیله نقلیه و ارائه روشی برای پیاده سازی این رویکرد. رویکرد پیشنهادی با تمرکز بر بخش های تشکیل دهنده خودرو از قبیل چراغ ها، جلوپنجره و نشان واره به طبقه بندی کلاس های مختلف وسیله نقلیه می پردازد. برای پیاده سازی این رویکرد، یک مدل مبتنی بر بخش را با استفاده از الگوریتم ماشین بردار پشتیبان مخفی (Latent SVM) آموزش داده ایم. این مدل قادر به استخراج پنج بخش برای هر خودرو است. توصیفگر هیستوگرام گرادیان های جهت دار برای استخراج ویژگی و ماشین بردار پشتیبان برای طبقه بندی به کار گرفته شده اند. برای آزمایش رویکرد مورد اشاره، مجموعه داده ای متشکل از 720 تصویر از نمای جلو و پشت 21 کلاس مختلف از خودروها جمع آوری شده و تمامی بخش های آن ها هم به صورت دستی و هم به صورت خودکار علامت گذاری و استخراج گشته اند. نتایج آزمایشات انجام شده بر روی این تصاویر، در درجه اول، برتری رویکرد مبتنی بر بخش را نسبت به رویکردهای پیشین نشان می دهد، و در درجه دوم، نزدیکی دقت روش علامت گذاری خودکار به روش دستی را اثبات می کند. روش پیشنهادی موفق به کسب دقت 100% بر روی نمای جلو و پشت شده است.

طبقه­ بندی دقیق اشیا (Fine-Grained Recognition) چالشی است که جامعه بینایی ماشین در حال حاضر با آن روبه­ رو شده است. در این نوع طبقه­ بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است؛ شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می­ گیرد. این مسئله به دلیل وجود تعداد طبقه های زیاد، تفاوت درون طبقه ای بسیار و تفاوت بین طبقه ای کم از مسائل طبقه­ بندی دشوار به شمار می­ رود. در این مقاله روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو پیشنهاد شده است. این روش برای طبقه­ بندی طبقه های مختلف خودرو، ابتدا بخش­ های متمایز کننده هر یک را به صورت خودکار می­ یابد؛ سپس با استخراج ویژگی از این بخش­ ها و رابطه هندسی بین آن­ ها، یک مدل می­ آموزد. وزن بخش­ های مختلف هر مدل به صورت پویا و با استفاده از مجموعه داده­ های آموزشی یاد گرفته می­ شود. سامانه پیشنهادی با ترکیب این مدل­ ها به شناسایی طبقه خودرو می­ پردازد. برای آزمایش سامانه پیشنهادی و به دلیل عدم وجود مجموعه داده به اشتراک گذاشته شده، یک مجموعه داده با بیش از 5000 خودرو از 28 طبقه مختلف تهیه و به صورت کامل علامت­ گذاری شده است. نتیجه آزمایش های انجام شده بر روی این تصاویر که دارای تغییرات روشنایی زیاد و تغییرات زاویه اندک هستند، نشان از دقت بالای روش پیشنهادی دارد.

امروزه وسایل نقلیه در مقیاس بالا، در قسمت های مختلف شهر پراکنده هستند و از این جهت احتیاج به کنترل توسط سامانه های برنامه ریزی شده دارند. پیدا کردن خودکار وسایل نقلیه در تصویر و دسته بندی نوع آن­ها پیچیده است، زیرا وسایل نقلیه شکل ها، رنگ­ها و مدل های بسیار متفاوتی دارند و طراحی شان با یکدیگر متفاوت است. از این رو روش­های مختلف آنالیز تصاویر برای حل این مسئله مطرح گردیده است. اما بعضی از چالش­ها مانند تعدد تصویر در یک صحنه، بهم پیوستگی تصویر وسیله نقلیه و زمینه تصویر، وجود نویز در تصاویر، تلرانس نسبت به تغییرات نور وجود دارد. در سال­های اخیر استفاده از شبکه های عصبی عمیق به عنوان ابزاری کارآمد در شناسایی با وجود تنوع شرایط محیطی و اجسام مطرح شده­اند. اما چالش استفاده از شبکه های عصبی عمیق بار محاسباتی بالای آن­هاست. در این مقاله رویکرد جدیدی برای شناسایی نوع وسایل نقلیه استفاده می­شود، این رویکرد از ترکیب شبکه عصبی VGG و الگوریتم تفکیک و دنبال کردن تصاویر Yolo استفاده کرده است. این روش باعث بهبود چالش­های روش­های پیشین می­گردد و در ضمن باعث کاهش بار محاسباتی می­گردد. تصاویر از دو پایگاه داده ImageNet و COCO گرفته شده و از این پایگاه­ها به منظور آموزش و آزمون شبکه عصبی استفاده می­گردد. نتایج نشان می­دهد که سامانه طراحی شده بسیاری از مشکلات را به خوبی برطرف می­نماید. دقت تشخیص در مقایسه با سامانه­های قبلی 2 الی 3 درصد افزایش یافته است. از مزایا این رویکرد می­توان به کیفیت بالا در آشکارسازی تصاویر و سرعت قابل قبول در تشخیص نوع وسیله نقلیه اشاره کرد.

در دهه اخیر، مطالعات بسیاری بر روی طبقه بندی دانه ریز اشیا صورت گرفته است. در این نوع طبقه بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است و شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می گیرد. این مساله به دلیل وجود تعداد کلاس های زیاد، تفاوت درون کلاسی بسیار و تفاوت بین کلاسی کم از مسایل طبقه بندی دشوار به شمار می رود. علاوه بر این معمولا سرعت سیستم های شناسایی اشیا با افزایش دقت، کاهش می یابد و چنان که می بینیم یکی از چالش های مهم در شبکه های عصبی عمیق به عنوان یک ابزار قدرتمند بینایی ماشین، سرعت پردازش است. در این مقاله ابتدا روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو مختصرا معرفی می گردد و سپس یک الگوریتم آبشاری برای بهبود توامان سرعت و دقت این سیستم ارائه می شود. الگوریتم آبشاری پیشنهادی، طبقه بندهای موجود در سیستم را به صورت ترتیبی به تصویر ورودی اعمال کرده تا از حجم پردازش بکاهد. چند معیار مناسب برای رسیدن به یک ترتیب کارا از طبقه بندها معرفی شده و در نهایت ترکیبی از آنها در الگوریتم پیشنهادی به کار گرفته شده است. نتیجه آزمایشات انجام شده بر روی مجموعه داده کاملا متفاوت BVMMR و CompCars، نشان از دقت بالای سیستم شناسایی نوع و مدل خودرو دارد. پس از اعمال الگوریتم آبشاری به سیستم مورد بحث، سرعت پردازش تا %80 افزایش یافته است در حالی که دقت سیستم تنها کاهش جزئی داشته است.

وسیله نقلیه در کنار عامل انسانی، جاده و محیط، یکی از عوامل بروز تخلفات رانندگی است. بر این اساس هدف اساسی پژوهش حاضر بررسی رابطه وسیله نقلیه و تخلف رانندگی است. روش انجام پژوهش، روش پیمایشی است. جامعه آماری تحقیق را کلیه افراد بالاتر از 18 سال شهر یاسوج که دارای گواهینامه رانندگی بوده و صاحب خودرو شخصی هستند، تشکیل می دهد. در مجموع 389 نفر به عنوان نمونه تعیین و با استفاده از روش نمونه گیری تصادفی چندمرحله ای انتخاب شدند. ابزار تحقیق، پرسشنامه است که جهت تعیین اعتبار آن از اعتبار محتوا، و جهت تعیین پایایی آن از روش باز آزمون، استفاده شده است. نتایج توصیفی پژوهش بیانگر آن است که تخلف رانندگی در سطح بالایی است. به علاوه نتایج تحلیلی نشان می دهند بین نوع خودرو و تخلف رانندگی رابطه معناداری وجود ندارد اما مدل خودرو بر تخلف رانندگی تاثیر دارد و با افزایش عمر خودرو تخلف رانندگی افزایش می یابد.

جوانان، به خصوص دانشجویان به عنوان آینده سازان و نیروی محرکه توسعه هر جامعه، از حساس ترین و مهمترین گروه های اجتماعی به شمار می آیند. در این راستا سبک زندگی سالم این قشر تاثیر بسیاری بر پیشرفت و پایداری جامعه دارد. لذا، پژوهش حاضر با هدف بررسی جامعه شناختی رابطه حمایت اجتماعی و سبک زندگی در بین دانشجویان دانشگاه بین المللی امام خمینی(ره) انجام شده است. روش تحقیق از نوع پیمایشی است. جامعه آماری پژوهش شامل کلیه دانشجویان دانشگاه بین الملل امام خمینی(ره) قزوین به تعداد 7883 نفر می باشد که حجم نمونه بر اساس فرمول آماری کوکران به تعداد 370 نفر برآورد شده است. روش نمونه گیری در این پژوهش از نوع نمونه گیری طبقه بندی متناسب با حجم نمونه است، در پژوهش حاضر برای سنجش کلی متغیر ها و کسب اطلاعات لازم از پرسشنامه استفاده شده است و تجزیه و تحلیل کلیه اطلاعات بدست آمده به وسیله نرم افزار SPSS صورت پذیرفته است. نتایج تحقیق نشان داد که همبستگی بین متغیر حمایت اجتماعی و مولفه آن شامل حمایت خانواده، حمایت دوستان و حمایت دیگران با متغیر سبک زندگی با اطمینان 99 درصد و در سطح معناداری کوچکتر از 01/0 تایید و به لحاظ آماری معنادار است. همچنین، نتایج تحلیل رگرسیونی چندمتغیره حاکی از آن است که متغیرهای حاضر در مدل شامل حمایت خانواده، حمایت دوستان و حمایت دیگران توانسته اند که 9/31 درصد از تغییرات متغیر وابسته سبک زندگی را تبیین نمایند.