Smart optimizer selection technique:a comparative study of modified DensNet201 with other deep learning models

• Autorzy: Manguri Kamaran , Mohammed Aree Ali

Identyfikatory

DOI

10.35784/iapgos.5332

Warianty tytułu

PL

Inteligentna technika wyboru optymalizatora: badanie porównawcze zmodyfikowanego modelu DensNet201 z innymi modelami głębokiego uczenia

• Języki publikacji: EN

Abstrakty

EN

The rapid growth and development of AI-based applications introduce a wide range of deep and transfer learning model architectures. Selecting an optimal optimizer is still challenging to improve any classification type's performance efficiency and accuracy. This paper proposes an intelligent optimizer selection technique using a newsearch algorithm to overcome this difficulty. A dataset used in this work was collected and customizedfor controlling and monitoring roads, especially when emergency vehicles are approaching. In this regard, several deep and transfer learning models havebeen compared for accurate detection and classification. Furthermore, DenseNet201 layers are frizzed to choose the perfect optimizer. The main goalis to improve the performance accuracy of emergency car classification by performing the test of various optimization methods, including (Adam, Adamax, Nadam, and RMSprob). The evaluation metrics utilized for the model’s comparison with other deep learning techniques are basedon classification accuracy, precision, recall, and F1-Score. Test results show that the proposed selection-based optimizer increased classification accuracy and reached 98.84%.

PL

Szybki wzrost i rozwój aplikacji opartych na sztucznej inteligencji wprowadzają szeroki zakres architektur modeli głębokiego uczeniai uczenia transferowego. Wybór optymalnego optymalizatora wciąż stanowi wyzwanie w celu poprawy wydajności i dokładności każdego rodzaju klasyfikacji. W niniejszej pracy proponowana jest inteligentna technika wyboru optymalizatora, wykorzystująca nowy algorytm wyszukiwania,aby pokonać to wyzwanie. Zbiór danych użyty w tej pracy został zebrany i dostosowany do celów kontroli i monitorowania dróg, zwłaszcza w sytuacjach, gdy zbliżają się pojazdy ratunkowe. W tym kontekście porównano kilka modeli głębokiego uczenia i uczenia transferowego w celu dokładnej detekcjii klasyfikacji. Ponadto, warstwy DenseNet201 zostały zamrożone, aby wybrać optymalizatora idealnego. Głównym celem jest poprawa dokładności klasyfikacji samochodów ratunkowych poprzez przeprowadzenie testów różnych metod optymalizacji, w tym (Adam, Adamax, Nadam i RMSprob). Metryki oceny wykorzystane do porównania modelu z innymi technikami głębokiego uczenia opierają się na dokładności klasyfikacji, precyzji, czułości i miarze F1. Wyniki testów pokazują, że zaproponowany optymalizator oparty na wyborze zwiększył dokładność klasyfikacji i osiągnął wynik na poziomie 98,84%.

Słowa kluczowe

EN

deep learning; optimization technique; transfer learning; customized dataset; modified DenseNet201

PL

głębokie uczenie; technika optymalizacji; uczenie transferowe; dostosowany zbiór danych; zmodyfikowany DenseNet201

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 4
• Strony: 39--43
• Opis fizyczny: Bibliogr. 22 poz., tab., wykr.

Twórcy

autor

Manguri Kamaran

• Erbil Polytechnic University, Erbil Technical Engineering College, Department of Technical Information System Engineering, Erbil, Iraq
• University of Raparin, Departmentof Software and Informatics Engineering, Erbil, Iraq

• https://orcid.org/0000-0001-8567-3367

autor

Mohammed Aree Ali

• University of Sulaimani, College of Science, Computer Science Department,Sulaymaniyah, Iraq

• https://orcid.org/0000-0001-9710-4559

Bibliografia

• [1] Ahmed T. et al.: A Deep Learning based Bangladeshi Vehicle Classification using Fine-Tuned Multi-class Vehicle Image Network (MVINet) Model. 2023 International Conference on Next-Generation Computing, IoT and Machine Learning – NCIM, 2023, 1–6.
• [2] Ahmed U. et al.: Multi-aspect detection and classification with multi-feed dynamic frame skipping in vehicle of internet things. Wireless Netw, 2022, 1–12.
• [3] Ashir S. M. et al.: A Transfer-Learning-Based Approach for Emergency Vehicle Detection. Eurasian Journal of Science and Engineering 8(1), 2022.
• [4] Biswas D. et al.: An automatic car counting system using OverFeat framework. Sensors 17(7), 2017, 1535.
• [5] Dong S. et al.: A survey on deep learning and its applications, Computer Science Review 40, 2021, 100379.
• [6] Fouad M. M. et al.: Automated vehicle inspection model using a deep learning approach. J Ambient Intell Human Comput 14, 2023, 13971–13979.
• [7] Ghazal B. et al.: Smart traffic light control system. Third international conference on electrical, electronics, computer engineering and their applications – EECEA, 2016, 140–145.
• [8] Hassan E. et al.: The effect of choosing optimizer algorithms to improve computer vision tasks: a comparative study. Elmougy and Applications 82(11), 2023, 16591–16633.
• [9] Impedovo D. et al.: Vehicular traffic congestion classification by visual features and deep learning approaches: a comparison. Sensors 19(23), 2019, 5213.
• [10] Jain N. K. et al.: A review on traffic monitoring system techniques. SoCTA 2019, 569–577.
• [11] Joo H. et al.: Traffic signal control for smart cities using reinforcement learning. Computer Communications 154, 2020, 324–330.
• [12] Jung H. et al.: ResNet-based vehicle classification and localization in traffic surveillance systems. IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2017, 61–67.
• [13] Ke X. et al.: Multi-dimensional traffic congestion detection based on fusion of visual features and convolutional neural network. IEEE Transactions on Intelligent Transportation Systems 20(6), 2018, 2157–2170.
• [14] Khan A. et al.: A survey of the recent architectures of deep convolutional neural networks. Artif Intell Rev 53, 2020, 5455–5516.
• [15] Leitner D. et al.: Recent advances in traffic signal performance evaluation. Journal of Traffic and Transportation Engineering 9(4), 2022, 507–531.
• [16] Manguri K. H. K. et al.: A Review of Computer Vision–Based Traffic Controlling and Monitoring. UHD Journal of Science and Technology 7(2), 2023, 6–15.
• [17] Manguri K. H. K., Mohammed A. A: Emergency vehicles classification for traffic signal system using optimized transfer DenseNet201 model. Indonesian Journal of Electrical Engineering and Computer Science 32(2), 2023, 1058–1068.
• [18] Mohammad M. A. et al.: New Ontology structure for intelligent controlling of traffic signals. Procedia Computer Science 207, 2022, 1201–1211.
• [19] Qadri S. S. S. M. et al.: State-of-art review of traffic signal control methods: challenges and opportunities. Eur. Transp. Res. Rev. 12(55), 2020, 1–23.
• [20] Razali N. A. M. et al.: Gap, techniques and evaluation: traffic flow prediction using machine learning and deep learning. J Big Data 8(1), 2021, 1–25.
• [21] Roy S., Rahman M. S.: Emergency vehicle detection on heavy traffic road from cctv footage using deep convolutional neural network. International Conference on Electrical, Computer and Communication Engineering – ECCE, 2019, 1–6.
• [22] Tomar I. et al.: State-of-Art review of traffic light synchronization for intelligent vehicles: current status, challenges, and emerging trends. Electronics 11(3), 2022, 465.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).