ВИКОРИСТАННЯ НЕЙРОМЕРЕЖЕВИХ КЛАСИФІКАТОРІВ  ДЛЯ РЕАЛІЗАЦІЇ СИСТЕМИ ІДЕНТИФІКАЦІЇ ТРАНСПОРТНИХ ЗАСОБІВ

Катерина  Островська; Іван  Стовпченко; Олександр  Губанов

doi:10.34185/1562-9945-2-133-2021-15

Автор(и)

Катерина Островська
Іван Стовпченко
Олександр Губанов

DOI:

https://doi.org/10.34185/1562-9945-2-133-2021-15

Ключові слова:

розпізнавання світловими сигналів, штучні нейронні мережі, детектування об'єктів, класифікація зображення

Анотація

Робота присвячена дослідженню нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів. В роботі вирішувалося завдання розпізнавання світлових сигналів транспортних засобів.
Як детектор транспортних засобів використовувалася полегшена версія YOLOv3, а класифікатором світлових сигналів виступала адаптована під умови задачі архітек-тура MobileNetv2. Моделі навчалися на декількох датасетах, приведених до єдиного формату.
Отримана якість моделей є досить хорошою для доказу працездатності системи. По-дальше поліпшення якості можливо за рахунок збільшення обсягу навчальної вибірки і більш точного підбору гіперпараметрів моделі. З точки зору швидкості роботи си-стема розпізнавання показала прийнятний результат.

Посилання

NVIDIA DRIVE AGX / nvidia.com – URL: https://www.nvidia.com/enus/self-driving-cars/drive-platform/hardware/

Wei L., Hong B. Vision-Based Method for Forward Vehicle Brake Lights

Recognitio. // International Journal of Signal Processing. – 2015. – Vol.8. – No.6. – pp. 167-180.

Jian-Gang W., Lubing Z. Real-time Vehicle Signal Lights Recognition with HDR Camera. / Conference: 2016 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData) // ieeexplore.ieee.org. – URL:

https://ieeexplore.ieee.org/document/7917112

Yuki O., Yoshihiro S. HSV Color Space Based Lighting Detection for Brake Lamps of Daytime Vehicle Images. // Journal of Computers. – 2019. – Vol.14. – No.1. – pp. 25-30.

Wang Z., Huo W. Performance Evaluation of Region-Based Convolutional Neural Net-works Toward Improved Vehicle Taillight Detection. // Applied Sciences. – Vol.9. – No.18:3753. – 2019. – pp. 1-19.

Krizhevsky A., Sutskever I. ImageNet Classification with Deep. // Advances in neural in-formation processing systems. – 2012. – Vol.25. – No.2. – pp. 1-9.

Szegedy C., Liu W. Going deeper with convolutions. // 2015 IEEE Conference on Com-puter Vision and Pattern Recognition (CVPR). – 2015. – pp. 1-9.

Ren S., He K. Faster R-CNN: Towards Real-Time Object Detection with

Region Proposal Networks. // IEEE Transactions on Pattern Analysis and Machine

Intelligence. – 2017. – Vol.39. – Issue 6. – pp. 1137 - 1149.

Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. – URL:

https://arxiv.org/abs/1804.02767

NVIDIA TensorRT / developer.nvidia.com –

URL: https://developer.nvidia.com/tensorrt

Open Neural Network Exchange / onnx.ai – URL: https://onnx.ai/

Bewley A., Ge Z. Simple Online and Realtime Tracking. – URL:

https://arxiv.org/pdf/1602.00763.pdf