dc.contributor.author | Miloš, Ervin | |
dc.contributor.author | Kolesau, Aliaksei | |
dc.contributor.author | Šešok, Dmitrij | |
dc.date.accessioned | 2023-09-18T16:59:17Z | |
dc.date.available | 2023-09-18T16:59:17Z | |
dc.date.issued | 2018 | |
dc.identifier.issn | 2029-2341 | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/118425 | |
dc.description.abstract | 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. | eng |
dc.description.abstract | 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 straipsny-je 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. | lit |
dc.format | PDF | |
dc.format.extent | p. 1-5 | |
dc.format.medium | tekstas / txt | |
dc.language.iso | eng | |
dc.relation.isreferencedby | DOAJ | |
dc.relation.isreferencedby | ICONDA | |
dc.relation.isreferencedby | Academic Search Complete | |
dc.source.uri | https://doi.org/10.3846/mla.2018.6947 | |
dc.title | Traffic sign recognition using convolutional neural networks | |
dc.title.alternative | Kelio ženklų atpažinimas naudojant neuroninį tinklą | |
dc.type | Straipsnis kitoje DB / Article in other DB | |
dcterms.references | 24 | |
dc.type.pubtype | S3 - Straipsnis kitoje DB / Article in other DB | |
dc.contributor.institution | Vilniaus Gedimino technikos universitetas | |
dc.contributor.faculty | Fundamentinių mokslų fakultetas / Faculty of Fundamental Sciences | |
dc.subject.researchfield | T 007 - Informatikos inžinerija / Informatics engineering | |
dc.subject.vgtuprioritizedfields | IK0303 - Dirbtinio intelekto ir sprendimų priėmimo sistemos / Artificial intelligence and decision support systems | |
dc.subject.ltspecializations | L106 - Transportas, logistika ir informacinės ir ryšių technologijos (IRT) / Transport, logistic and information and communication technologies | |
dc.subject.lt | kelio ženklų atpažinimas | |
dc.subject.lt | vaizdų apdorojimas | |
dc.subject.lt | klasifikavimas | |
dc.subject.lt | konvoliucinis neuroninis tinklas | |
dc.subject.lt | paketo normalizavimas | |
dc.subject.lt | neuronų išjungimas / įjungimas | |
dc.subject.lt | eksperimentai | |
dc.subject.en | traffic sign recognition | |
dc.subject.en | image pre-processing | |
dc.subject.en | classification | |
dc.subject.en | convolutional neural network | |
dc.subject.en | batch normalization | |
dc.subject.en | dropout | |
dc.subject.en | experiment | |
dcterms.sourcetitle | Mokslas – Lietuvos ateitis: Informacinės technologijos ir multimedija = Science – Future of Lithuania: Information technologies and multimedia | |
dc.description.volume | vol. 10 | |
dc.publisher.name | VGTU Press | |
dc.publisher.city | Vilnius | |
dc.identifier.doi | 10.3846/mla.2018.6947 | |
dc.identifier.elaba | 33265737 | |