hrvatski

Stvarnovremenska detekcija objekata u prometu primjenom tehnika strojnog učenja

Cilj ovog završnog rada bilo je proučiti razne modele koji se mogu koristiti za detekciju objekata u prometu u statičkom i u dinamičko- stvarnovremenskom okruženju te napraviti vlastiti detektor za predviđanje klasa uz pomoć metoda strojnog učenja. Motivacija ovog rada je proizašla iz ideje stvaranja osnove za autonomnu vožnju, pošto se u današnje vrijeme strojno učenje primjenjuje u gotovo sve aspekte naših života, pa tako i u automobilskoj industriji, rad ove vrste se pokazao kao značajnim i korisnim. Kako bi čitatelju tema bila jasnija, ukratko smo se upoznali s osnovnim pojmovima koji predstavljaju sastavni dio strojnog učenja te smo predstavili i objasnili razlike između pojedinih metoda – klasifikacija i lokalizacija – koje se koriste za prepoznavanje objekata. Sukladno tome, u radu smo se dotakli teme prepoznavanja objekata i raznih modela kojima je to omogućeno te je za svaki model opisan način njihova rada, opisane su njihove prednosti i nedostaci. Model koji se pokazao najzanimljivijim te koji se koristio u svrhe ostvarenja zadatka diplomskog rada je bio Faster RCNN. Inception V2 model se pokazao kao zlatnom sredinom u usporedbi s potrebama ovoga rada. Pristup rješavanju rada se sastojao od tri osnovna koraka: prikupljanju podataka, treniranju modela i testiranju modela. Cilj prikupljanja podataka je bilo sakupiti što veći broj raznovrsnih slika objekata koji se pojavljuju u prometu, što je u konačnici rezultiralo s 2000 različitih fotografija (svaka s različitim brojem objekata), s 10 različitih klasa objekata. Ideja je bilo koristiti vlastite skupove slika umjesto preuzetih online kako bi mogli bolje razumjeti podatke. Podaci su se sakupljali kroz dulji vremenski period te je bilo potrebno filtrirati skup fotografija i skalirati na manju veličin kako bi se olakšalo treniranje. Za treniranje potrebno je bilo svaki objekt ručno označiti i zapisati te podesiti radno okruženje kako bi uspješno istrenirali model. Tijek treniranja se pokazao rutinskim procesom koji je zahtijevao ponavljanje postupka treniranje dokle nismo bili zadovoljni s rezultatima te u konačnici u svrhe boljeg testiranja koristila su se četiri pristupa: Dva testiranja u statičkom okruženju te dva u dinamičkom ; osnova svrha testiranja je bilo istražiti efikasnost rada modela u odnosu na njegovu brzinu i preciznost. U konačnici, možemo reći da je detektor zadovoljio kriterije te se Faster RCNN dokazao kao dostatnim rješenjem koje ostavlja mogućnost za daljnje napredovanje, poboljšanje, dodatne implementacije u budućnosti.

Faster RCNN Inception ; detekcija ; klasifikacija

nije evidentirano