Improving accuracy of detecting dangerous objects with deep learning

• Autorzy: Zacniewski A.

Warianty tytułu

PL

Poprawa skuteczności wykrycia niebezpiecznych obiektów przy użyciu technik deep learning

• Języki publikacji: EN

Abstrakty

EN

In this article, the problem of detecting dangerous objects with deep learning is presented. Convolutional Neural Networks are created with Python language ecosystem (Theano and Keras libraries), and then trained with different number of layers and different parameters. Accuracy of detection dangerous objects for artificial Neural Network with smaller number of layers is computed and obtained result is improved with deep learning. CIFAR-10 dataset is used due to useful classes included.

PL

W artykule przedstawiono problem detekcji niebezpiecznych obiektów przy użyciu technik deep learning. Konwolucyjne sieci neuronowe tworzone są przy pomocy bibliotek języka Python takich jak Keras i Theano, a następnie trenowane są przy różnej liczbie warstw i z różnymi parametrami. Skuteczność detekcji niebezpiecznych obiektów dla małej liczby warstw sztucznej sieci neuronowej jest obliczana, a uzyskany wynik jest ulepszany przy użyciu technik deep learning. Zbiór danych CIFAR-10 został wykorzystany w badaniach z powodu dużej użyteczności występujących w nim klas.

Słowa kluczowe

EN

detecting dangerous objects; deep learning

PL

detekcja niebezpiecznych obiektów; technika deep learning

• Wydawca: Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
• Czasopismo: Autobusy : technika, eksploatacja, systemy transportowe
• Rocznik: 2016
• Tom: R. 17, nr 12
• Strony: 513--516
• Opis fizyczny: Bibliogr. 8 poz., rys., wykr., pełen tekst na CD

Twórcy

autor

Zacniewski A.

• Polish Naval Academy in Gdynia, Poland, The Faculty of Navigation and Naval Weapons, Institute of Naval Weapons and Informatics

Bibliografia

• 1. Brownlee J., Deep Learning with Python, Gumroad, Melbourne.
• 2. CIFAR-10 website - https://www.cs.toronto.edu/~kriz/cifar.html.
• 3. Convolutional Neural Networks for Visual Recognition - http://cs231n.stanford.edu/.
• 4. Graham B., Fractional Max-Pooling, https://arxiv.org/abs/1412.6071.
• 5. Greenhalgh J., Mirmehdi M., Real-Time Detection and Recognition of Road Traffic Signs, IEEE Transactions On Intelligent Transportation Systems, 2016.
• 6. Cambridge Coding Academy - https://cambridgecoding.com/.
• 7. Krizhevsky A., Learning Multiple Layers of Features from Tiny Images, Canadian Institute for Advanced Research, 2008.
• 8. Wali S. et al., Comparative Survey on Traffic Sign Detection and Recognition: a Review, Przegląd Elektrotechniczny, ISSN 0033-2097, r. 91 nr 12/2015.