با توجهبه پیشرفت سریع علم و فن‌آوری، تشخیص اشیاء به یک حوزه‌ی تحقیقاتی جذاب در بیناییکامپیوتر تبدیل شده‌است. رانندگی خودران یکی از امیدوارکننده‌ترین راه‌حل‌هابرای محافظت از انسان در برابر تصادفات شدید، نمونه‌ای از کاربرد تشخیص اشیاء است.یک وسیله‌ینقلیه‌یخودران (AV) برای کارکرد قابل اعتماد نیاز به درک دقیقی از محیط اطراف خوددارد،که معمولاً از یادگیری ماشین (یا یادگیری عمیق) استفاده می‌کند. بدین منظورداده‌های حسی به اطلاعات معنایی تبدیل و رانندگی مستقل را امکان‌پذیر می‌کند. تشخیصاشیاء یک عملکرد اساسی این سیستم ادراک است. در سال‌های اخیر، اکثر چارچوب‌های تشخیصشیء پیشنهاد‌شده، دوبعدی هستند. با این حال، روش‌های دوبعدی اطلاعات عمقی را کهبرای وظایف رانندگی مانند برنامه‌ریزی مسیر، پیش‌بینی حرکت و اجتناب ازبرخورد لازم است را ارائه نمی‌کنند، در نتیجه نمی‌توان از آن‌ها برای حل مسائل دردنیای واقعی استفاده کرد. برای حل مشکل اخیراً پژوهش‌گران به روش‌های دید سه‌بعدی پرداخته‌اند.با وجود این، تحقیقات اندکی به جمع‌آوریو ساختار این دانش رو به رشد پرداخته‌اند. بنابراین، هدف ما بررسی و مطالعه روش‌هایتشخیص اشیاء سه‌بعدی است که اطلاعات دقیق‌تری از اندازه و مکان شیء ارایه می‌دهند.روش‌های مختلفی برای این منظور وجود دارد که در این پایان‌نامه ما فقط بر روی روشمبتنی بر یادگیری عمیق مبتنی بر ابر نقطهتمرکز می‌کنیم. با استفاده از ایده‌ی شبکه‌ی DenseNet و طراحی ماژول تجمیع ویژگی‌هایمکانی- معنایی (SSFA) روش جدیدی را برای بهبود نتایج تشخیص عابر پیاده با استفاده ازداده‌های ابرهای نقطه‌ی سه‌بعدی در فضای باز ارائه می‌کنیم. این ایده بر روی دو آشکارسازشیء تک‌مرحله‌ای مطمئن آگاهاز IoU، (CIA-SSD) و آشکارساز شیءتک‌مرحله‌ای خودجمع‌شده (SE-SSD) پیاده‌سازی و اجرا شده‌است. در روش پیشنهادی دسترسیبه اطلاعات لایه‌های قبلی شبکه‌های عمیق، منجر به استخراج ویژگی‌های غنی‌تر شده وباعث افزایش دقت تشخیص عابر پیاده شده است. درنهایت، ما پس از تجزیه‌وتحلیل روش پیشنهادیخود، نتایج تجربی آن را با روش‌های قبلی از نظر دقت و سرعت مقایسه می‌کنیم. نتایج تجربی روش پیشنهادی برای تشخیص عابر پیاده سه‌بعدیدر مجموعه‌ داده‌ی KITTIنشان می‌دهد که با کسب متریکAPمتوسط ??/??? روی آشکارساز CIA-SSD   و AP??/??? روی آشکارساز SE-SSD به عملکرد بالاتری نسبتبه آشکارسازهای پایه دست‌یافته است.

واژه‌های کلیدی: یادگیری ماشین، بینایی کامپیوتر، یادگیری عمیق، تشخیص شیء سه‌بعدی، تشخیصعابر پیاده، ابرهای نقطه‌ای، وسیله‌ی نقلیه‌ی خودران (AV)