Регистрация / Вход
Прислать материал

Использование сиамских нейронных сетей в задаче распознавания дорожных знаков

Фамилия
Serikov
Имя
Alexander
Отчество
Yurievich
Номинация
Информационные технологии
Институт
Институт информационных технологий и автоматизированных систем управления (ИТАСУ)
Кафедра
Инженерной кибернетики
Академическая группа
ММ-13-2
Научный руководитель
к. т. н., доц. Полевой Д. В.
Название тезиса
Использование сиамских нейронных сетей в задаче распознавания дорожных знаков
Тезис

В настоящее время все большее внимание научного общества привлекают проблемы, связанные с внедрением методов искусственного интеллекта в различные сферы жизни. Одной из наиболее популярных областей развития искусственного интеллекта является компьютерное зрение и распознавание образов.

За последнее десятилетие удалось добиться существенного прогресса в решении задач, связанных с распознаванием образов, благодаря использованию методов машинного обучения, в частности, обучению многослойных нейронных сетей.

Технически, задача распознавания дорожных знаков не отличается от любой задачи классификации изображений, но ей характерен ряд особенностей, одна из которых – природа изображений – затрудняет обучение нейронных сетей. Известно, что нормализация количества примеров, приходящихся на каждый класс изображений в обучающей выборке, положительно влияет на качество обучения сети. Ввиду естественной неравномерности распределения классов дорожных знаков, в ходе накопления множества изображений возникает существенное различие в количестве экземпляров, приходящихся на каждый класс, что создает проблему формирования обучающей выборки.

Распространенным решением данной проблемы является случайное разбиение классов на подмножества и создание ансамбля нейронных сетей, где каждая сеть обучается на собственном множестве изображений. Такой подход приводит к качественной неполноте выбранного множества, к тому же, выбор количества разбиений и группировка нейронных сетей также представляет сложность.

Мы предлагаем метод разбиения, основанный на обучении вспомогательной сиамской сети. В пространстве выходных сигналов обученной сети экземпляры одного класса имеют общее геометрическое место, что позволяет выбрать N экземпляров, например, лежащих на расстоянии 1 стандартного отклонения от центра масс всего класса. Такое разбиение позволяет учесть особенности каждого класса и обучить конечную нейронную сеть, более качественно решающую задачу классификации.

Для сравнения качества работы нейронных сетей, обученных двумя методами, был использован открытый набор дорожных знаков Russian Traffic Signs Dataset. Проведенные эксперименты показали, что обученные нашим методом сети, в среднем, ошибаются на одном и том же тестировочной множестве экземпляров на 15% меньше.