Traffic sign classification by deep learning
| Thesis title in Czech: | Klasifikace dopravních značek pomocí deep learningu |
|---|---|
| Thesis title in English: | Traffic sign classification by deep learning |
| Key words: | konvoluční sítě, deep learning, dopravní značka |
| English key words: | convolution networks, deep learning, traffic sign |
| Academic year of topic announcement: | 2018/2019 |
| Thesis type: | Bachelor's thesis |
| Thesis language: | angličtina |
| Department: | Department of Software and Computer Science Education (32-KSVI) |
| Supervisor: | RNDr. Jan Blažek, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 23.09.2018 |
| Date of assignment: | 28.09.2018 |
| Confirmed by Study dept. on: | 28.06.2019 |
| Date and time of defence: | 27.06.2019 09:30 |
| Date of electronic submission: | 17.05.2019 |
| Date of submission of printed version: | 17.05.2019 |
| Date of proceeded defence: | 27.06.2019 |
| Opponents: | RNDr. Miroslav Kratochvíl, Ph.D. |
| Guidelines |
| Cílem práce je aplikace deep learning metod pro klasifikaci/rozpoznání dopravních značek. Součástí řešení je i získání či tvorba trénovacího datasetu (obrázky značek), návrh architektur a analýza jejich efektivity.
Řešitel by měl stanovit relevantní hypotézy identifikující: a) vlastnosti obrázků, které jsou klíčové pro rozpoznání značky b) parametry neuronových sítí, které jsou podstatné pro efektivní učení Tyto hypotézy se řešitel, v rámci Bc. práce, pokusí oveřit na statisticky významném počtu testů. Případně stanoví okrajové podmínky jejich platnosti. Pro testování lze využít gridovou síť Metacentrum. |
| References |
| Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, 2016 MIT Press, http://www.deeplearningbook.org
Dokumentace Metacentra - https://wiki.metacentrum.cz/wiki/Main_Page |
| Preliminary scope of work |
| Klasifikace dopravních značek je zkoumána již řadu letu a bylo dosáhnuto velmi dobrých výsledků. My předkládáme analýzu používaných datasetů jako velmi omezených na použití v reálných situacích. V této tezi analyzujeme dostupné datasety a jejich sloučením a rozšířením o nová data vytvoříme robustnější a obsáhlejší dataset použitelný v České republice. Následně navrhneme architekturu konvoluční neuronové sítě a spolu s několika technikami předzpracování ji otestujeme na novém datasetu dosahujíc přesnosti přes 99%. |
| Preliminary scope of work in English |
| Classification of road signs has been studied for many years and very promising results have been achieved. We present the analysis of used data sets as very limited for real case classification. In this thesis we analyse publicly available data sets and by merging and extending them, we create a wider and more comprehensive data set applicable in the Czech Republic. Finally, we propose a new convolutional neural network architecture and test it along with several preprocessing techniques on the new data set reaching accuracy of over 99%. |