Streszczenie:
W pracy został przedstawiony proces tworzenia detektora obiektów w
oparciu o architekturę Faster R-CNN. Został on zastosowany do
rozpoznawania i klasyfikacji samochodowej sygnalizacji świetlnej. Opisano
budowę sztucznych sieci neuronowych, w tym ich wariantu przeznaczonego
do pracy z danymi wizualnymi nazwanego splotowymi sieciami
neuronowymi. Oba te rozwiązania stanowią podstawę działania detektorów
z rodziny R-CNN, do których należy omawiane rozwiązanie. W ramach
projektu przeprowadzono dogłębną analizę użytego zbioru danych,
wykorzystywanego w procesie uczenia detektora. Zaimplementowano
model detektora w oparciu o platformę programistyczną PyTorch wraz ze
skryptem umożliwiającymi przeprowadzenie uczenia sieci neuronowej oraz
skryptem dokonującym predykcji i ich prezentacji w formie wizualnej.
Dokonano analizy uzyskanych wyników oraz podsumowano wady i zalety
użytych rozwiązań.
