نوقشت اطروحة الدكتوراه للطالبة نمارق عدي فهد في جامعة البصرة كلية الهندسة قسم الهندسة الكهربائية بعنوان تصميم وتنفيذ المركبات الذاتية القيادة القائمة على التكنولوجيا الذكية حيث تركز هذه الدراسة على تنفيذ أنظمة الكشف عن الكائنات (object detection) التي تستخدم بيانات الميزات المستخرجة( Feature Extraction). تُظهر هذه الأنظمة مستويات عالية من الدقة في اكتشاف فئات الكائنات المختلفة بينما تظهر أيضًا أداءً فعالاً من حيث وقت الكشف ويمكن تدريبها باستخدام اجهزة المنخفضة الموارد.
تم استخدام ثلاث خوارزميات للكشف عن التعلم الآلي (ML): KNN وStochastic gradient descent SGD وNave Bayes NB. وبالإضافة إلى ذلك، تم تنفيذ خوارزميتين للتعلم العميق (DL)؛ وهي Feat5 بالاضافة الى Feat92 تم بناء هياكل التعلم العميق دون استخدام أي بنية معروفة أو نماذج مدربة مسبقًا. تم استخدام خوارزميتين لاستخراج السمات: (PCA) و (LDA)، مع توسيع الاخيرة مع بعض تقنيات استخلاص السمات الإحصائية، وهي Mean, Variance, Standard Division, Min, Max as well as Mode. تم استخدام بعض تقنيات المعالجة المسبقة وتكبير الصورة في حالة التدريب؛ الفكرة الرئيسية هي أن الخوارزميات المطبقة تستخدم الميزات كمدخلات للكشف والتعرف، وليس الصور. تقوم خوارزميات استخراج الميزات بمعالجة الصور للحصول على الميزات وإدخالها لخوارزميات الكشف.
أظهرت النتائج أن استخدام نماذج التعلم العميق أكثر دقة. وكانت دقة التعلم العميق المصمم 100% و99.٩6% للطريقتين الأولى والثانية على التوالي. الدقة في حالة تعلم الآلة للنهج الأول هي 97%،٩٦%، و96% بالنسبة لـ SGD وKNN وNB، على التوالي. دقة النهج الثاني في حالة ML هي 21%، 23%، و52% لـ SGD، KNN، وNB، على التوالي. يعد استخدام الميزات كمدخل لخوارزميات التعلم العميق أكثر فعالية لأنه أقل تعقيدًا من استخدام الصور الأولية كمدخل لخوارزمية DL، ويحتاج إلى وقت تدريب أقل وبدقة عالية.