Detekcija prometnih znakov s konvolucijskimi nevronskimi mrežami

Kovačič, Andreja (avtor), Skočaj, Danijel (mentor)

Diplomsko delo se ukvarja z detekcijo in prepoznavanjem prometnih znakov z metodo Faster R-CNN. Razišče možnost uporabe generiranih podatkov za validacijo učenja, kot odgovor na omejeno velikost učne množice. Ker Faster R-CNN zaradi načina učenja ne dopušča običajnega učenja na težkih primerih (ang. bootstrapping), uporabimo novo metodo - sprotno iskanje težkih primerov. Na koncu iščemo optimalen način doučenja že obstoječega modela.

• Jezik: Slovenski jezik
• Ključne besede: Faster R-CNN, klasifikacija, detekcija, sprotno iskanje težkih primerov, doučenje, prometni znaki
• Vrsta gradiva: Diplomsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2017
• PID: 20.500.12556/RUL-95566
• Datum objave v RUL: 20.09.2017

KOVAČIČ, Andreja, 2017, Detekcija prometnih znakov s konvolucijskimi nevronskimi mrežami [na spletu]. Diplomsko delo. [Dostopano 10 april 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=95566

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Traffic sign detection with convolutional neural networks

Izvleček

The goal of this thesis is to describe and use method Faster R-CNN for detection and recognition of traffic signs. It explores the possibility of using artificially generated images in validation set, in hopes of saving real images for train set. We tackle a real world problem of growing dataset through time. We'll try to find an optimal way to augment the already learned model with new images. Lastly, we try to apply a new method, online hard example mining, which is essentially bootstrapping for end-to-end systems.

• Ključne besede: Faster R-CNN, classification, detection, online hard example mining, fine-tuning, traffic signs