DETEKCIJA OBJEKATA U SAOBRAĆAJU UPOREBOM KONVOLUCIONIH NEURONSKIH MREŽA
Ključne reči:
Detekcija objekata, Klasifikacija, Konvoluciona neuronska mreža, Okvir
Apstrakt
Detekcija objekata je ključna tehnologija koja stoji iza naprednih sistema za asistenciju tokom vožnje. U ovom radu je prikazana primena modela konvolucionih neuronskih mreža u rešavanju problema detekcije objekata od interesa iz sekvence slika. Obeležene slike koje sadrže različite scenarije zabeležene tokom dnevne gradske vožnje preuzete su iz CrowdAI baze. Slike su korišćene za učenje modela i ocenu njegovih performansi tokom faze testiranja. Analizirani su rezultati dobijeni korišćenjem detektora sa različitim brojem konvolucionih slojeva i različitim aktivacionim funkcijama neurona u cilju primene ovakvih modela za detekciju objekata učesnika u saobraćaju u realnom vremenu.
Reference
[1] L. Hunjung, „Awesome vehicle datasets“ (CrowdAI baza podataka), https://github.com/hunjung-lim/awesome-vehicle-datasets
[2] J. Brownlee, „A Gentle Introduction to Object Recognition With Deep Learning“, https://machinelearningmastery.com/object-recognition-with-deep-learning. (poslednji pristup u martu 2021. godine)
[3] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11), pp. 2278–2324, 1998.
[4] A. Zhang, Z.C. Lipton, M. Li, A.J. Sola, „Dive into Deep Learning“, https://d2l.ai/ (poslednji pristup u martu 2021. godine)
[5] J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
[6] F.N. Iandola, S. Han, M.W. Moskewicz, K. Ashraf, W.J. Dally, K. Keutzer, “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size”, arXiv Prepr. arXiv1602.07360, 2016.
[7] K. He, J. Sun, “Convolutional neural networks at constrained time cost“, Conference on Computer Vision and Pattern Recognition(CVPR), 2015.
[2] J. Brownlee, „A Gentle Introduction to Object Recognition With Deep Learning“, https://machinelearningmastery.com/object-recognition-with-deep-learning. (poslednji pristup u martu 2021. godine)
[3] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11), pp. 2278–2324, 1998.
[4] A. Zhang, Z.C. Lipton, M. Li, A.J. Sola, „Dive into Deep Learning“, https://d2l.ai/ (poslednji pristup u martu 2021. godine)
[5] J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
[6] F.N. Iandola, S. Han, M.W. Moskewicz, K. Ashraf, W.J. Dally, K. Keutzer, “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size”, arXiv Prepr. arXiv1602.07360, 2016.
[7] K. He, J. Sun, “Convolutional neural networks at constrained time cost“, Conference on Computer Vision and Pattern Recognition(CVPR), 2015.
Objavljeno
2021-07-04
Sekcija
Elektrotehničko i računarsko inženjerstvo
