Detekce dopravních značek a semaforů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Práce se zabývá detekcí dopravních značek a semaforů v obraze s využitím konvolučních neuronových sítí. Cílem je vytvoření vhodného detektoru pro detekci a rozpoznání dopravního značení v reálném provozu. Za účelem trénování konvolučních neuronových sítí byly vytvořeny vhodné datové sady, které se skládají ze syntetické i reálné datové sady. Pro syntetickou datovou sadu byl vytvořen generátor, který simuluje různé deformace značek. Vyhodnocení kvality detekce je prováděno pomocí vlastního programu pro kvantitativní vyhodnocování. Podařilo se dosáhnout úspěšnosti 84\% detekovaných značek nad vlastní testovací datovou sadou. Výsledky umožňují zjistit důležitost zastoupení reálné či syntetické datové sady v trénovací sadě a vliv jednotlivých deformací syntetické datové sady na konečnou kvalitu detekce.
The thesis focuses on traffic sign detection and traffic lights detection in view with utilization convolution neural network. The goal is create suitable detector for detection and classification traffic sign in real traffic. For training of convolution neural network were created appropriate datasets, that contains synthetic and real dataset. For synthetic dataset was create generator, that can simulated different deformation of traffic signs. Evaluation is done by own program for quantitative evaluation. The detection rate successfully detected signs is 89\% over own test dataset. The results allow to find out importance of representation real or synthetic dataset in training dataset and influence individual deformations synthetic dataset for final detection quality.
The thesis focuses on traffic sign detection and traffic lights detection in view with utilization convolution neural network. The goal is create suitable detector for detection and classification traffic sign in real traffic. For training of convolution neural network were created appropriate datasets, that contains synthetic and real dataset. For synthetic dataset was create generator, that can simulated different deformation of traffic signs. Evaluation is done by own program for quantitative evaluation. The detection rate successfully detected signs is 89\% over own test dataset. The results allow to find out importance of representation real or synthetic dataset in training dataset and influence individual deformations synthetic dataset for final detection quality.
Description
Keywords
Detekce a klasifikace dopravní značek, konvoluční neuronové sítě, detekce objektů v obraze, YOLO, syntetická datová sada, generátor syntetické datové sady, kvantitativní vyhodnocování, Traffic sign detection and classification, Convolution neural network, Object detecion, YOLO, Synthetic dataset, Generator for synthetic dataset, Quantitative evaluation
Citation
CHOCHOLATÝ, T. Detekce dopravních značek a semaforů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Dr. Ing. Pavel Zemčík (předseda)
doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda)
Ing. Michal Fusek, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
Ing. Petr Matoušek, Ph.D., M.A. (člen)
Date of acceptance
2019-06-10
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázku oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Použitá architektura YOLOv3-tiny může dosáhnout až 220 FPS. Vaše řešení dosahuje 18 FPS. Jakého nejvyššího FPS byste mohl dosáhnou při možnosti využít lepší hardware? Bylo by možné algoritmus paralelizovat?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení