АВТОМАТИЧЕСКОЕ ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ С ПОМОЩЬЮ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

В работе рассматривается использование сверточных нейронных сетей (CNN) для улучшения систем распознавания дорожных знаков именно в непогодных условиях. Также используется расширенный набор данных немецкого теста распознавания дорожных знаков (GTSRB), основанного на новой модели CNN, который содержит более пятидесяти тысяч изображений с надписями, охватывающих более сорока категорий. В модели представлены адаптивные слои выделения объектов, предназначенные для устранения проблем с видимостью, вызванных такими погодными факторами, как дождь, туман и снег. Для моделирования различных погодных сценариев применяются передовые методы увеличения объема данных, что увеличивает разнообразие обучающего набора данных. Это исследование не только рассматривает теоретические и практические усовершенствования, предоставленные CNNs для обнаружения дорожных знаков в неблагоприятных условиях, но и проверяет эффективность модели с помощью таких показателей, как точность, отзывчивость и показатель F1. Результаты подтверждают эффективность модели в минимизации ложных срабатываний и точной идентификации дорожных знаков. В статье подчеркивается важность тщательной подготовки набора данных, оптимизации моделей и усовершенствования обучения для повышения производительности системы обнаружения. Это положительно сказывается на интеллектуальных транспортных системах, автономном вождении и безопасности дорожного движения, что свидетельствует о будущем прогрессе в области надежных технологий распознавания дорожных знаков.

1. Sun Y., Ge P., Liu D. Traffic sign detection and recognition based on convolutional neural network. 2019 Chinese automation congress (CAC), IEEE, 2019, pp. 2851–2854.

2. Ahmed S., Kamal U., & Hasan M.K. DFR-TSD: A deep learning based framework for robust traffic sign detection under challenging weather conditions. IEEE Transactions on Intelligent Transportation Systems, 2022, vol. 23, no. 6, pр. 5150–5162. https://doi.org/10.1109/TITS.2020.3048878/

3. Liu Z. et al. MR-CNN: A multi-scale region-based convolutional neural network for small traffic sign recognition. IEEE Access., 2019, vol. 7, pp. 57120–57128.

4. Lin C. et al. Transfer learning based traffic sign recognition using inception-v3 model. Periodica Polytechnica Transportation Engineering, 2019, vol. 47, no. 3, pp. 242–250.

5. Eskandarian A., Wu C., Sun C. Research advances and challenges of autonomous and connected ground vehicles. IEEE Transactions on Intelligent Transportation Systems, 2019, vol. 22, no. 2, pp. 683–711.

6. Janai J. et al. Computer vision for autonomous vehicles: Problems, datasets and state of the art // Foundations and Trends® in Computer Graphics and Vision, 2020, vol. 12, no. 1–3, pp. 1–308.

7. Singh I. et al. Dropout-VGG based convolutional neural network for traffic sign categorization. Congress on Intelligent Systems: Proceedings of CIS 2021, Singapore Springer Nature Singapore, 2022, vol 1, pp. 247–261.

8. Dang, T.P., Tran N.T., To V. H., & Tran Thi M.K. Improved YOLOv5 for real-time traffic signs recognition in bad weather conditions. The Journal of supercomputing, 2023, vol. 79, Issue. 10, pp. 10706–10724. https://link.springer.com/article/10.1007/s11227-023-05097-3.

9. Puli M. S., Sunitha M., Aluri O. S. B., Jain D.R., Rayabharapu M., & Venkatesh M. Deep Learning-Based Framework For Robust Traffic Sign Detection Under Challenging Weather Conditions. Journal of Survey in Fisheries Sciences, 2023, vol. 23, Issue. 6, pp. 5150–5162. https://doi.org/10.1109/TITS.2020.3048878.

10. Qian R., Yue Y., Coenen F., & Zhang B. Traffic sign recognition with convolutional neural network based on max pooling positions. In 2016 12th International conference on natural computation, fuzzy systems and knowledge discovery (ICNC-FSKD), 2016, pp. 578–582. IEEE. https://doi.org/10.1109/FSKD.2016.7603237.

11. Xu M. et al. A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 2023, vol. 137, p. 109347.

12. Cong S., Zhou Y. A review of convolutional neural network architectures and their optimizations. Artificial Intelligence Review, 2023, vol. 56, no. 3, pp. 1905–1969.

13. Tian Y. Artificial intelligence image recognition method based on convolutional neural network algorithm. Ieee Access., 2020, vol. 8, pp. 125731–125744.

14. Yacouby R., & Axman,D. Probabilistic extension of precision, recall, and f1 score for more thorough evaluation of classification models. In Proceedings of the first workshop on evaluation and comparison of NLP systems, 2020, pp. 79–91. https://doi.org/10.18653/v1/2020.eval4nlp-1.9.

15. Yao Z., Song X., Zhao L., & Yin Y. Real-time method for traffic sign detection and recognition based on YOLOv3-tiny with multiscale feature extraction. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2021, vol. 235, Issue. 7, pp. 1978–1991. https://doi.org/10.1177/0954407020980559.

16. Yucong S., & Shuqing, G. Traffic sign recognition based on HOG feature extraction. Journal of Measurements in Engineering, 2021, vol. 9, Issue. 3, pр. 142–155. https://doi.org/10.21595/jme.2021.22022.

17. Feng L., & Jia Y. Traffic sign recognition based on YOLOX in extreme weather. In 2022 Global Conference on Robotics, Artificial Intelligence and Information Technology (GCRAIT), 2022, pр. 299–303. https://doi.org/10.1109/GCRAIT55928.2022.00070.

18. Feng D. et al. Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges. IEEE Transactions on Intelligent Transportation Systems, 2020, vol. 22, no. 3, pp. 1341–1360.

19. Lin Z., Yih M., Ota J.M., Owens J., & Muyan-Ozcelik P. Benchmarking Deep Learning Frameworks and Investigating FPGA Deployment for Traffic Sign Classification and Detection. IEEE Transactions on Intelligent Vehicles, 2019, vol. 4, Issue. 3, pp. 385–395. https://doi.org/10.1109/TIV.2019.2919458.

20. Sun P., Zhang R.Y., Jiang T., Kong C., Xu W., Zhan M., Tomizuka L., Li Z., Yuan C., Wang & Luo, P. Sparse R-CNN: End-to-end object detection with learnable proposals, 2020. arXiv:2011.12450 https://doi.org/10.48550/arXiv.2011.12450.