| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Datorredzē balstīta ceļa zīmju atpazīšana ar mašīnu dziļo mācīšanos video plūsmas datos |
| Nosaukums angļu valodā |
Computer Vision-based Traffic Sign Recognition Using Deep Learning Over Video Streaming Data |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Arnis Kiršners |
| Recenzents |
Dr. sc. ing. Sigita Misiņa |
| Anotācija |
Mākslīgo neironu tīklus izmanto visdažādākajām jomām un viena no tām ir datorredzes joma – objektu atpazīšana un klasificēšana. Objektu atpazīšanu un klasifikāciju var izmantot gandrīz jebkurai problēmai, piemērām, autonomai automašīnai.
Autonomai automašīnai ir nepieciešams ievērot noteikumus, ko ievēro visi satiksmes dalībnieki: ceļa zīmes - noteikumi, kas nepieciešami lai izvairītos no sadursmēm uz koplietošanas ceļiem.
Darba mērķis ir padziļināti iepazīties ar mākslīgajiem neironu tīkliem un objektu atpazīšanas modeļiem un metodēm, to darbības principiem un iespējam, analizēt dziļās mašīnu mācības un objektu atpazīšanas literatūras avotus, un izveidot neironu tīklu modeli, kas varēs atpazīt ceļa zīmes videoplūsmas datos. Modelis tika apmācīts izmantojot Darknet ietvaru un YOLOv3 arhitektūru, izmantot salīdzinoši mazu datu kopu ar 2000 ceļa zīmju attēliem.
Darba rezultātā tika iegūts modelis, kas darbojas ar vairāk nekā 90 procentu precizitāti. Tika analizēti iegūtie rezultāti, no kuriem secināts, ka YOLOv3 konfigurācija ir ļoti svarīga, un ja ir izvelēti nepareizi konfigurācijas parametri, iegūtie rezultāti būs nepareizi vai neprecīzi. |
| Atslēgas vārdi |
mākslīgie neironu tīkli, yolov3, konvolūciju neironu tīkli, objektu atpazīšana, mašīnu dziļā mācība |
| Atslēgas vārdi angļu valodā |
neural networks, yolov3, convolutional neural networks, object recognition, deep learning |
| Valoda |
lv |
| Gads |
2019 |
| Darba augšupielādes datums un laiks |
02.06.2019 17:20:47 |
