Wykrywanie i rozpoznawanie samochodowej sygnalizacji świetlnej na podstawie obserwacji wizualnej z zastosowaniem sieci splotowych

Abstract

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.