交通标志识别使用多任务深度学习用于自动驾驶汽车
Khaldaa Alawaji1, Ramdane Hedjar1, Mansour Zuair1
1Computer Engineering Department, College of Computer and Information Sciences, King Saud University, Riyadh 11543, Saudi Arabia.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究通过使用深度学习和计算机视觉来增强自动驾驶汽车的交通信号检测. 多任务学习方法实现了99.07%的准确性,提高了无人驾驶运输系统的道路安全.
科学领域:
- 计算机视觉和机器学习
- 智能运输系统 智能运输系统
背景情况:
- 无人驾驶运输的进步需要可靠的交通信号识别.
- 计算机视觉和深度学习,特别是卷积神经网络,为这个任务提供了强大的工具.
研究的目的:
- 使用计算机视觉和深度学习精确检测和识别交通标志和信号.
- 通过实施多任务学习方法来改进单任务学习模型.
主要方法:
- 采用多任务学习算法共享卷积层参数.
- 使用了预训练的架构,包括InceptionResNetV2和DenseNet201.
- 集成了一个感兴趣的区域模块,以增强交通标志提取.
主要成果:
- 在训练整个网络后,实现了高精度99.07%.
- 与单一任务模型相比,多任务学习模型表现出更高的性能.
- 在利雅得高速公路上实时成功验证模型.
结论:
- 开发的多任务学习模型与感兴趣区域模块显著提高了交通信号检测的准确性.
- 这种方法对于确保未来无人驾驶运输系统的安全性和效率至关重要.
