Zastosowanie sieci konwolucyjnej głębokiego uczenia w detekcji pojazdów

• Autorzy: Oszutowska-Mazurek D. A. , Mazurek P.

Warianty tytułu

EN

Use of deep learning convolutional network in vehicle detectionmears

• Języki publikacji: PL

Abstrakty

PL

Wstęp i cel: Detekcja pojazdów na znaczenie w bezpieczeństwie ruchu drogowego oraz programowaniu pojazdów autonomicznych. Celem pracy jest detekcja pojazdów odróżniająca obrazy pojazdów od innych obrazów nie zawierających pojazdów. Materiał i metody: W pracy wykorzystano bazę pojazdów zawierającą obrazy ekstrahowane z sekwencji wideo, które przetwarzano za pomocą sieci konwolucyjnej głębokiego uczenia. Wyniki: Uzyskana sieć konwolucyjna charakteryzuje się bardzo dobrymi parametrami, krzywa PSNR względem kroku uczenia rośnie co oznacza, że zachodzi proces odszumiania kerneli w całym procesie uczenia. Wniosek: Proponowana metoda może być wykorzystana w programowaniu pojazdów autonomicznych oraz implementacji w Inteligentnych Systemach Transportowych ITS do detekcji pojazdów; bazuje na uczeniu a nie na projektowaniu algorytmu syntetycznego, dzięki temu jest potrzebny relatywnie krótki czas opracowania klasyfikatora.

EN

Introduction and aim: Vehicle detection plays essential role in road safety and automatic vehicle programming. The aim of study is vehicle detection distinguishing car and non-car images Material and methods: Vehicle database images extracted from video sequences were processed by deep learning convolutional network. Results: Obtained convolutional network is characterised by very good parameters, PSNR curve indicates denoising of kernels in learning process. Conclusion: Proposed method is potentially useful in autonomic vehicles programming and Intelligent Transportation Systems (ITS) for vehicles detection. The solution is based on learning, not on synthetic algorithm design, thanks to this, a relatively short time of classifier development is needed.

Słowa kluczowe

PL

sieć konwolucyjna; uczenie głębokie; detekcja pojazdów; przetwarzanie obrazów

EN

image processing; deep learning; convolutional neural network; vehicle detection

• Wydawca: Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie
• Czasopismo: Problemy Nauk Stosowanych
• Rocznik: 2017
• Tom: T. 7
• Strony: 47--56
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wykr.

Twórcy

autor

Oszutowska-Mazurek D. A.

• Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie, Wydział Systemów Automotive
• Pomorski Uniwersytet Medyczny, Wydział Nauk o Zdrowiu, Zakład Epidemiologii i Zarządzania

autor

Mazurek P.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Elektryczny, Katedra Przetwarzania Sygnałów i Inżynierii Multimedialnej

Bibliografia

• [1] Arróspide J., Salgado L., Nieto M.: Video analysis based vehicle detection and tracking using an MCMC sampling framework. EURASIP Journal on Advances in Signal Processing, Vol. 2012, Article ID 2012: 2, January.
• [2] Chmielińska J., Jakubowski J.: Zastosowanie sieci konwolucyjnej do wykrywania wybranych symptomów zmęczenia kierowcy. Przegląd Elektrotechniczny, ISSN 0033-2097, R. 93 NR 10, s. 6-10, 2017.
• [3] Dehghan A., Masood S.Z., Shu G., Ortiz E.G.: View Independent Vehicle Make, Model and Color Recognition Using Convolutional Neural Network. arXiv:1702.01721v1 [cs.CV], 2017.
• [4] Fergus R., Perona P., Zisserman A.: [in:] Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Madison, Wisconsin, 16-22 June 2003.
• [5] Feyzabadi S.: Joint Deep Learning for Car Detection. arXiv:1412.7854v2 [cs.CV], 2016.
• [6] Forczmański P, Nowosielski A.: Deep learning approach to detection of preceding vehicle in advanced driver assistance. Mikulski J. (eds) Challenge of Transport Telematics. TST 2016. Communications in Computer and Information Science, Vol. 640. Springer, Cham 2016.
• [7] Gao Y., Lee H.J.: Moving car detection and model recognition based on deep learning, Advanced Science and Technology Letters. Vol. 90, pp. 57-61, Multimedia 2015.
• [8] Goodfellow I., Bengio Y., Courville A.: Deep learning. Systemy uczące się. Wydawnictwo Naukowe PWN, Warszawa 2018.
• [9] https://www.gti.ssr.upm.es/data/Vehicle_database.html, dostęp 1 grudnia 2017.
• [10] Odrzywołek K.: Wykorzystanie głębokich sieci neuronowych w weryfikacji mówcy. Praca magisterska, Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie, Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej, Kraków 2016.
• [11] Opelt A., Pinz A.: [in:] Proceedings of the 14th Scandinavian Conference on Image Analysis, Joensuu, Finland, 19-22 June 2005.
• [12] Oszutowska-Mazurek D., Knap O.: The use of deep learning for segmentation of bone marrow histological images, Artificial intelligence trends in intelligent systems. Proceedings of the 6th Computer Science On-line Conference 2017 (CSOC2017), Vol. 1, Springer 2017.
• [13] The Caltech Database (Computational Vision at California Institute of Technology, Pasadena), http://www.vision.caltech.edu/html-files/archive.html. Accessed 14 May 2011.
• [14] The TU Graz-02 Database (Graz University of Technology), http://www.emt.tugraz.at/~pinz/data/GRAZ_02/. Accessed 14 May 2011.

Uwagi

Opracowanie w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).