Виявлення та класифікація об’єктів дорожнього руху при використанні середовища digits

Автор(и)

  • Роман Наумович Квєтний Вінницький національний технічний університет
  • Роман Васильович Маслій Вінницький національний технічний університет
  • Олександр Михайлович Кириленко Вінницький національний технічний університет

DOI:

https://doi.org/10.31649/1681-7893-2020-39-1-14-20

Ключові слова:

глибоке навчання, виявлення об'єктів, класифікація об’єктів, DetectNet, DIGITS, KITTI

Анотація

Здійснено огляд архітектури нейронної мережі DetectNet з метою навчання моделі виявлення та класифікації об’єктів дорожнього руху. При цьому, розглянуто структуру нейронної мережі та формат вхідних даних. Здійснено навчання моделі за допомогою середовища DIGITS. Якість моделі було перевірено на валідаційному наборі зображень KITTI. Наведено результати навчання моделі нейронної мережі. Отримані результати порівняно з існуючими аналогами.

Біографії авторів

Роман Наумович Квєтний, Вінницький національний технічний університет

д.т.н., проф., завідувач кафедри автоматизації та інтелектуальних інформаційних технологій

Роман Васильович Маслій, Вінницький національний технічний університет

к.т.н., доцент кафедри автоматизації та інтелектуальних інформаційних технологій

Олександр Михайлович Кириленко, Вінницький національний технічний університет

аспірант кафедри автоматизації та інтелектуальних інформаційних технологій

Посилання

Nagaraj, S. Edge-based street object detection. / Muthiyan, B., Ravi, S., Menezes, V., Kapoor, K., & Jeon, H. // IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computed, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI). – 2017. – С.1-4.

Roman Kvyetnyy, Roman Maslii, Volodymyr Harmash, Ilona Bogach, Andrzej Kotyra, Żaklin Grądz, Aizhan Zhanpeisova, Nursanat Askarova. Object detection in images with low light condition, Proc. SPIE 10445, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, 104450W (7 August 2017); doi: 10.1117/12.2281001;

Roman Maslii Using Local Binary Patterns for Face Detection in Half-Tone Imagery [Electronic resource] / Maslii Roman // Scientific papers of Vinnytsia National Technical University. - 2008. - No. 4. - [Electronic resource] Access mode: http://praci.vntu.edu.ua/index.php/praci/article/view/95

DetectNet: Deep Neural Network for Object Detection in DIGITS. [Electronic resource] Access mode: https://devblogs.nvidia.com/detectnet-deep-neural-network-object-detection-digits/

Victor Sineglazov Deep neural networks for solving problems of recognition and classification of images [Electronic resource] / Sineglazov V., Chumachenko O. // - Information Technologies and Computer Modeling 2017.– [Electronic resource] Access mode: http://itcm.comp-sc.if.ua/2017/Sineglazov.pdf

Holupka, E. J. The Detection of Implanted Radioactive Seeds On Ultrasound Images Using Convolution Neural Networks. / Rossman, J., Morancy, T., Aronovitz, J., & Kaplan, М. D. // 1st Conference on Medical Imaging with Deep Learning (MIDL 2018). – 2018.

NVIDIA DIGITS [Електронний ресурс] – Режим доступу до ресурсу: https://developer.nvidia.com/digits

Zhang, S. Fcn-rlstm: Deep spatio-temporal neural networks for vehicle counting in city cameras. / Wu, G., Costeira, J. P., & Moura, J. M. // In Computer Vision (ICCV), IEEE International Conference. – 2017. рр. 3687-3696.

Zheng Lou. Dataset bias analysis on autonomous driving [Електронний ресурс] – Режим доступу до ресурсу: https://cs230.stanford.edu/projects_spring_2018/reports/8289902.pdf

Fritsch Jannik. A new performance measure and evaluation benchmark for road detection algorithms. / Tobias Kuehnl, Andreas Geiger. // 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). – 2013.

##submission.downloads##

  • PDF
    Завантажень: 213
Переглядів анотації: 185

Опубліковано

2021-01-08

Як цитувати

[1]
Р. Н. Квєтний, Р. В. Маслій, і О. М. Кириленко, «Виявлення та класифікація об’єктів дорожнього руху при використанні середовища digits», Опт-ел. інф-енерг. техн., вип. 39, вип. 1, с. 14–20, Січ 2021.

Номер

Том 39 № 1 (2020)

Розділ

Системи технічного зору і штучного інтелекту з обробкою та розпізнаванням зображень

Метрики

Завантаження

Дані завантаження ще не доступні.

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).