Streszczenie:
Praca zajmuje się problemem trafnego rozpoznawania znaków drogowych przez konwolucyjne sieci neuronowe (convolutional neural networks). W rozdziale pierwszym przedstawiona jest krótka historia sztucznej inteligencji (artificial intelligence), wraz z powodami dla których zagadnienie rozpoznawania znaków jest ważne i w realizacji jakich projektów jest wymagane. Opisane są tam również powody, dla których konwolucyjne sieci neuronowe wyjątkowo dobrze nadają się do realizacji tego zadania.
Następny rozdział skupia się na dokładniejszym opisaniu technologii konwolucyjnych sieci neuronowych. W rozdziale zawarty jest opis poszczególnych elementów architektury sieci, takich jak warstwy konwolucyjne czy warstwy pooling, wraz z wytłumaczeniem procesu działania i przedstawieniem stosownych algorytmów. Opisane zostały również inne aspekty sieci, takie jak jej funkcja aktywacji, funkcja kosztu czy tryb wypełniania zerami.
Rozdział trzeci zajmuję się tematyką dobranego do eksperymentu zbioru danych. Wytłumaczone jest pochodzenie zbioru, wraz z powodami, dla których został wybrany do tego eksperymentu. W rozdziale przedstawiony jest dokładny proces tworzenia zbioru, opisujący sposób pozyskania i późniejszego odpowiedniego dobrania zdjęć znaków drogowych które się na niego składają. Przedstawione są również wszystkie klasy decyzyjne występujące w zbiorze, wraz z częstotliwością ich występowania. W rozdziale są również zawarte krótkie opisy wykorzystanych technologii do zrealizowania eksperymentu, takie jak środowisko PyCharm czy platforma TensorFlow.
Rozdział czwarty skupia się na utworzonym modelu i wynikach eksperymentu. Na początku wyjaśnione jest w jaki sposób dobrane zostały hiperparametry ostatecznej sieci, aby zmaksymalizować jej trafność w klasyfikacji znaków drogowych. Zawarta została również jej ostateczna architektura, opisująca rodzaj i kolejność warstw, które się w niej znalazły. Następnie przedstawione zostały ostateczne wyniki na zbiorze testowym. Podana została skuteczność sieci, liczba błędnych klasyfikacji dla każdej klasy decyzyjnej i macierz błędów (confusion matrix). Dokładniejszej analizie poddane zostały najgorzej i najlepiej zaklasyfikowane klasy decyzyjne. Na koniec porównano wynik eksperymentu z innymi uczestnikami konkursu działającymi na tym samym zbiorze danych.
Ostatni rozdział zawiera końcowe wnioski na temat zbioru danych, skuteczności sieci i samej technologii konwolucyjnych sieci neuronowych. Zawarte są w nim również możliwe kierunki dalszego badania w celu ulepszenia skuteczności rozwiązania problemu klasyfikacji znaków drogowych.
