Аннотация
Для выделения наиболее подходящей нейросетевой модели и последующих рекомендаций в статье приведено сравнение нескольких нейросетевых моделей глубокого обучения в формате тестирования в схожих условиях на различных платформах с целью их дальнейшего применения для решения задач распознавания дорожных знаков в автопилотированиии транспортных средств. Описаны результаты проведённого сравнительного анализа работы нейросетевых моделей DenseNet, GoogleNet, LeNet, MobileNet и ResNet50 с целью определения наиболее подходящей для обучения беспилотных автомобилей под управлением искусственного интеллекта. В качестве базы данных применялся набор записей TSRD с изображениями дорожных знаков. В ходе анализа приведены результаты исследования как с центральными, так и с графическими процессорами. Установлено, что для используемого тестового набора данных размер изображения из выбранной области интересов не всегда влиял на точность выходных данных. В ходе экспериментов показано, что использование глубоких моделей с большим временем обучения также не всегда способствовало увеличению точности вывода.
КЛЮЧЕВЫЕ СЛОВА: нейросетевые модели; глубокое обучение; автопилот; фреймворк; искусственный интеллект
ФИНАНСИРОВАНИЕ:
авторы заявляют об отсутствии внешнего финансирования при проведении исследования
DOI: https://doi.org/10.25686/2306-2819.2024.1.60
EDN: OWLGIP
URL: https://vestnik-reis.ru/article/view/1094
Литература
2. Петров С.П. Сверточная нейронная сеть для распознавания символов номерного знака автомобиля // Системный анализ в науке и образовании. 2013. № 3. С. 66-73.
3. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6, № 3. С. 28-59.
4. Arjun S. Creating DenseNet 121 with TensorFlow// Towards Data Science. Jule 2020. URL: https://towardsdatascience.com/creating-densenet-121-with-tensorflow-edbc08a956d8 (дата обращения: 13.06.2023).
5. Suvaditya M. The Annotated ResNet-50 // Towards Data Science. August 2022. URL: https://towardsdatascience.com/the-annotated-resnet-50-a6c536034758 (дата обращения: 23.06.2023).
6. Richmond A. Deep Learning: GoogLeNet Explained // Towards Data Science. December 2020. URL: https://towardsdatascience.com/deep-learning-googlenet-explained-de8861c82765 (дата обращения: 17.06.2023).
7. Kozlov S. Evolution of neural networks for image recognition in Google: GoogLe NeT // Habr.com. URL: https://habr.com/ru/articles/301084. 2016 (дата обращения: 26.06.2023).
8. Rizwan M. LeNet-5 - A Classic CNN Architecture // Data Science Central. October 2018. URL: https://www.datasciencecentral.com/lenet-5-a-classic-cnn-architecture/ (дата обращения: 22.06.2023).
9. Mobilenets: Efficient convolutional neural networks for mobile vision applications / Howard A. G. et al. // arXiv preprint. 2017. URL: https://arxiv.org/pdf/¬1704.04861.pdf. (дата обращения: 26.06.2023).
Panchenko D. MobileNet: smaller, faster, more accurate // Habr.com. URL: https://habr.com/¬ru/articles/352804/ (дата обращения: 26.06.2023).
