Traffic sign recognition is an important method that improves the safety in the roads, and this system is an additional step to autonomous driving. Nowadays, to solve traffic sign recognition problem, convolutional neural networks (CNN) can be adopted for its high performance well proved for computer vision applications. This paper proposes histogram equalization preprocessing (HOG) and CNN with additional operations – batch normalization, dropout and data augmentation. Several CNN architectures are compared to differentiate how each operation affects the accuracy of CNN model. Experimental results describe the effectiveness of using CNN with proposed operations. Santrauka Kelio ženklų atpažinimas – vienas iš svarbių būdų pagerinti saugumą keliuose. Ši sistema laikoma papildomu autonominio vairavimo žingsniu. Šiandien kelio ženklų atpažinimo problemai spręsti taikomi konvoliuciniai neuroniniai tinklai (KNN) dėl jų našumo, įrodyto vaizdų atpažinimo programose. Šiame straipsnyje siūlomas vaizdų histogramos išlyginimo apdorojimo metodas ir KNN su papildomomis operacijomis – paketo normalizavimas ir neuronų išjungimas / įjungimas. Yra palyginamos kelios KNN architektūros siekiant ištirti, kokią įtaką kiekviena operacija daro KNN modelio tikslumui. Eksperimentiniai rezultatai apibūdina KNN naudojimo efektyvumą su pasiūlytomis operacijomis.
ĮvadasŽmonijai vystantis ir didėjant įmonių poreikiams, optimizavimo problemos vis sudėtingėja. Todėl optimizavimo tematika yra labai aktuali ir tokia išliks ateityje. Vienas iš svarbių optimizavimo užda-vinių yra polių padėčių optimizavimas gręžtiniuose pamatuose. Priimant šį sprendimą reikia atlikti daug skaičiavimų, todėl taikomi stochastiniai optimizavimo algoritmai, kurie, nors ir negarantuoja globalaus sprendinio, bet pateikia racionalų sprendinį [6]. Genetiniai algoritmai gali būti taikomi iš esmės bet kokioms optimizuotinoms struktūroms. Tokie algorit mai yra pagrįsti evoliucinių procesų mus supančiame objektyviame pasaulyje imitavimu [7]. Šiame darbe analizuojamas polių padėčių optimizavimas rostverkinio tipo pamatuose; realizuojama programa su C++ kalba, pritaikyta spręsti globaliojo optimizavimo už-davinius, panaudojant genetinį algoritmą; atliekamas tyrimas apie genetinio algoritmo metodų panaudojimą, siekiant surasti optimalią strategiją, kurią pritaikius uždavinio rezultatas būtų kuo geresnis ir būtų pasiektas per apribotą iteracijų skaičių. Optimizavimo uždaviniu parinktas statybos uždavinys, turintis surasti optimalias atramų padėtis poliniuose pamatuose.Tyrimo tikslas -pritaikyti genetinį algoritmą, siekiant polių padėčių optimizavimo gręžtiniuose pamatuose.Tyrimo metodai: 1. Teoriniai: įvairios literatūros nagrinėjama tema analizė. 2. Skaitiniai sprendimo metodai.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.