Beitrag zur Fahrzeugerkennung durch Deep Learning

Deep Learning findet statt, insbesondere mit dem schnellen Wachstum und der Verfügbarkeit großer Datenbanken und den jüngsten Verbesserungen bei den Grafikprozessoren (GPUs). Das Hauptziel dieser Forschung ist die Anwendung von Deep-Learning-Algorithmen wie Convolutional Neural Networks (CNNs) und Deep-Architekturen, insbesondere das VGG-16 Deep-Modell zur Kategorisierung und Lokalisierung von Fahrzeugen in Straßenszenen. In dieser Arbeit werden wir zeigen, dass wir durch optimierte Parametrisierung und einfache algorithmische Modifikation die Robustheit eines bestimmten Faster R-CNN Netzwerks bei der Fahrzeugdetektion sogar relativ verbessern und bessere Ergebnisse auf Basis verschiedener Datenbanken (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square und Logiroad) erzielen können.

Autorentext

Khaled Bayoudh es estudiante de doctorado en la Escuela Nacional de Ingeniería y está interesado en diversos aspectos como los vehículos autónomos, la visión por ordenador y el aprendizaje profundo. Antes de iniciar sus estudios de doctorado, Khaled obtuvo un máster en Sistemas de Transporte Inteligente en la Escuela Nacional de Ingeniería de Túnez.