Nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu (Luận văn thạc sĩ)

59 753 5
Nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu (Luận văn thạc sĩ)

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâuNhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - BÙI TRẦN TIẾN NHẬN DẠNG PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG KỸ THUẬT HỌC SÂU LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng nghiên cứu) HÀ NỘI - 2019 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - BÙI TRẦN TIẾN NHẬN DẠNG PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG KỸ THUẬT HỌC SÂU CHUYÊN NGÀNH : KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC TS NGUYỄN NGỌC ĐIỆP HÀ NỘI - 2019 i LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu tìm hiểu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tác giả luận văn Bùi Trần Tiến ii LỜI CẢM ƠN Để hoàn thành luận văn này, nghiên cứu cố gắng thân, em xin gửi lời cảm ơn sâu sắc tới Tiến sĩ Nguyễn Ngọc Điệp, giáo viên trực tiếp hướng dẫn, tận tình bảo định hướng cho em suốt trình nghiên cứu thực luận văn Xin gửi Em xin gửi lời cảm ơn chân thành cảm ơn tất thầy giáo Học viện Cơng nghệ Bưu Viễn thơng giảng dạy dìu dắt em trong suốt trình học tập trường từ học đại học sau đại học Cuối cùng, em xin gửi lời cảm ơn tới gia đình, bạn bè người bên cổ vũ tinh thần, tạo điều kiện thuận lợi cho em để em học tập tốt hồn thiện luận văn Em xin chân thành cảm ơn! iii MỤC LỤC LỜI CẢM ƠN ii MỤC LỤC .iii DANH MỤC BẢNG v DANH MỤC HÌNH ẢNH vi DANH MỤC KÝ HIỆU CÁC CHỮ VIẾT TẮT viii MỞ ĐẦU CHƯƠNG 1: KỸ THUẬT HỌC SÂU VÀ BÀI TOÁN PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG 1.1 Giới thiệu học sâu 1.1.1 Học sâu 1.1.2 Mạng nơ-ron tích chập – Convolutional neural network (CNN) 1.2 Các kỹ thuật liên quan đến xử lý ảnh nhận diện đối tượng 13 1.2.1 Tổng quan xử lý ảnh 13 1.2.2 Các vấn đề xử lý ảnh 14 1.2.3 Nhận diện phân loại ảnh 14 1.3 Các kỹ thuật hạn chế 15 1.3.1 R-CNN, Fast R-CNN 15 1.3.2 Faster R-CNN 18 1.3.3 YOLO, SSD 19 1.4 Kết luận chương 20 CHƯƠNG 2: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG KỸ THUẬT HỌC SÂU YOLO 22 2.1 Bài tốn phát phương tiện giao thơng 22 2.1.1 Tổng quan toán 22 2.1.2 Các điều kiện ràng buộc 23 2.2 Hệ thống phát đối tượng thời gian thực YOLO 23 2.2.1 Tổng quan hệ thống phát đối tượng YOLO 23 iv 2.2.2 Các thành phần hệ thống YOLO 24 2.2.3 Kiến trúc mơ hình YOLO qua phiên 27 2.2 Phương pháp huấn luyện 33 2.3 Kết luận chương 36 CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ 37 3.1 Thu thập tiền xử lý liệu 37 3.2 Cài đặt thử nghiệm 38 3.2.1 Môi trường thử nghiệm 38 3.2.2 Huấn luyện liệu 39 3.2.3 Phương pháp đánh giá 39 3.3 Đề xuất phương pháp cải tiến đánh giá 43 3.3.1 Đề xuất phương pháp cải tiến 43 3.3.2 Đánh giá phương pháp cải tiến 43 3.4 Kết luận chương 46 KẾT LUẬN 47 TÀI LIỆU THAM KHẢO 48 v DANH MỤC BẢNG Bảng 1.1: So sánh mơ hình dựa R-CNN 18 Bảng 2.1: So sánh mơ hình khác với YOLO 23 vi DANH MỤC HÌNH ẢNH Hình 1.1: Nơ-ron sinh học Hình 1.2: Perceptron Hình 1.3: Hàm sigmoid Hình 1.4: Mạng nơ-ron nhân tạo Hình 1.5: Quá trình tích chập (Convolutional) Hình 1.6: Mơ hình mạng CNN Hình 1.7: Input đầu vào nơ-ron lớp ẩn 10 Hình 1.8: Các input nơ-ron thứ 10 Hình 1.9: Các input nơ-ron thứ hai 11 Hình 1.10: Ma trận đặc trưng thu sử dụng filter 11 Hình 1.11: Q trình tổng hợp thơng tin 12 Hình 1.12: Lớp kết nối đầy đủ CNN 13 Hình 1.13: Các bước hệ thống xử lý ảnh 13 Hình 1.14: Mơ hình R-CNN 16 Hình 1.15: Mơ hình SPP-net 17 Hình 1.16: Mơ hình mạng Fast R-CNN 17 Hình 1.17: Mơ hình mạng Faster R-CNN 18 Hình 1.18: Q trình dự đốn YOLO 19 Hình 1.19: Mơ hình mạng SSD 20 Hình 2.1 Bài tốn phát phương tiện giao thơng 22 Hình 2.2: Mơ hình YOLO ban đầu 24 Hình 2.3: Ơ chịu trách nhiệm dự đốn đối tượng xe tơ 25 Hình 2.4: Quá trình non-maximum suppression 27 Hình 2.5: YOLO version 27 Hình 2.6: Loại bỏ phần kết nối đầy đủ YOLOv2 28 Hình 2.7: Kết dự đoán YOLO 29 Hình 2.8: Mơ hình YOLO phiên thứ 30 Hình 2.9: Kết dự đoán YOLOv3 32 Hình 3.1 : Quá trình xác định hộp giới hạn gán nhãn cho ảnh 37 Hình 3.2:Định dạng file annotation cho mỗi ảnh 38 Hình 3.3: Log trình training 39 Hình 3.4: Xác định ground truth cho đối tượng 40 Hình 3.5: Kết dự đốn mơ hình 40 vii Hình 3.6: So sánh kết dự đốn với ground truth đối tượng 41 Hình 3.7: Vùng giao kết dự đoán ground truth 41 Hình 3.8: Cơng thức tính IoU 42 Hình 3.9: Tốc độ xử lý 44 Hình 3.10: Tốc độ hội tụ hai cấu hình 44 Hình 3.11: Thời gian huấn luyện hai cấu hình 45 Hình 3.12: Kết mơ hình YOLO sau thay đổi số filter 45 viii DANH MỤC KÝ HIỆU CÁC CHỮ VIẾT TẮT Viết tắt Tiếng Anh CNN Convolutional Neural Network COCO Common Object in Context FPS Frame per second GPU Graphics processing unit HOG Histogram of oriented gradients IoU Intersection over Union MAP mean average precision NMS Non-maximum suppression R-CNN Region – Convolutional Neural Network SSD Single Shot Detector SVM Support vector machine YOLO You Only Look Once Tiếng Việt Mạng nơ-ron tích chập Khung hình giây Bộ xử lý đờ họa 35 thay giữ ngun Ngồi ra, để nhấn mạnh vào độ xác hộp giới hạn YOLO nhân localization loss với 𝜆𝑐𝑜𝑜𝑟𝑑 (mặc định 5) - Confidence loss: Nếu đối tượng phát hộp confidence loss tính là: 𝑆2 𝐵 𝑜𝑏𝑗 ∑ ∑ 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 ) 𝑖=0 𝑗=0 Trong đó: - Ĉi : Độ tin cậy hộp giới hạn j ô i - 1ij = hộp giới hạn thứ j chịu trách nhiệm phát đối tượng obj ngược lại - Nếu đối tượng không phát hộp confidence loss là: 𝑆2 𝐵 𝑛𝑜𝑜𝑏𝑗 𝜆𝑛𝑜𝑜𝑏𝑗 ∑ ∑ 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 ) 𝑖=0 𝑗=0 Trong đó: noobj obj phần bổ sung cho 1ij - 1ij - Ĉi : Độ tin cậy hộp giới hạn j ô i - λnoobj: Giảm trọng số lỗi phát Hầu hết hộp không chưa đối tượng nào, điều gây cân chũng ta đào tạo mơ hình phát thường xun phát đối tượng Để khắc phục vấn đề này, YOLO đề xuất thêm tham số 𝜆𝑛𝑜𝑜𝑏𝑗 (mặc định: 0.5) Cuối hàm mát YOLO có dạng: 36 𝑆2 𝐵 𝑜𝑏𝑗 𝜆𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 [(𝑥𝑖 − 𝑥̂𝑖 )2 + (𝑦𝑖 − 𝑦̂𝑖 )2 ] 𝑖=0 𝑗=0 𝑆2 + 𝑜𝑏𝑗 𝜆𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 𝑖=0 𝑗=0 𝑆2 + 𝐵 [(√𝑤𝑖 − √𝑤 ̂) + (√ℎ𝑖 − √ℎ̂𝑖 ) ] 𝑖 𝑆2 𝐵 𝑜𝑏𝑗 ∑ ∑ 1𝑖𝑗 (𝐶𝑖 𝑖=0 𝑗=0 2 𝐵 2 𝑛𝑜𝑜𝑏𝑗 − 𝐶̂𝑖 ) + 𝜆𝑛𝑜𝑜𝑏𝑗 ∑ ∑ 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 ) 𝑖=0 𝑗=0 𝑆2 𝑜𝑏𝑗 (𝑝𝑖 (𝑐 ) − 𝑝̂𝑖 (𝑐 )) + ∑ 1𝑖 ∑ 𝑖=0 𝑐∈𝐶𝑙𝑎𝑠𝑠𝑒𝑠 2.3 Kết luận chương YOLO mô hình đại phát đối tượng Nó có tốc độ xử lý nhanh cần độ xác tốc độ YOLO phù hợp cho hệ thông phát thời gian thực phát phương tiện giao thông lưu thông đường phố Các phương tiện giao thông thu thập để áp dụng mơ hình YOLO bao gồm ô tô xe máy phương tiên phổ biến giao thông Việt Nam 37 CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ Trong phần thử nghiệm đánh giá luận văn sử dụng thư viện framework có sẵn cài đặt hệ thống phát đối tượng thời gian thực YOLO Thực xây dựng liệu từ phương tiện giao thông Việt Nam bao gờm hình ảnh phương tiện giao thơng video quay điều kiện ánh sang tốt Thực huấn luyện hệ thống với liệu tự xây dựng đánh giá số cải tiến 3.1 Thu thập tiền xử lý liệu Bộ liệu thử nghiệm thu thập từ video giao thông cung cấp hệ thống camera giao thông thành phố Đà Nẵng, video chuyển thành hình ảnh có kích thước 720x1280 Bộ liệu bao gờm 600 ảnh 500 ảnh sử dụng cho trình huấn luyện 100 ảnh cho trình kiểm tra Hình 3.1 : Quá trình xác định hộp giới hạn gán nhãn cho ảnh Tất ảnh tiền xử lý để tạo file txt thích thể vị trí đối tượng ảnh theo định dạng sau [số thứ tự lớp] [tọa độ x tâm đối tượng] [tọa độ y tâm đối tượng][chiều rộng][chiều cao] 38 Hình 3.2:Định dạng file annotation cho mỡi ảnh Trong đó: số thứ tự lớp tương ứng : car; 1: motobike Ngồi ra, mơ hình YOLO sử dụng kỹ thuật transfer learning[24] để sử dụng lại số model huấn luyện trước(pre-trained) để tiếp tục huấn luyện giúp tiết kiệm thời gian huấn luyện mơ hình YOLO Ở luận văn sử dụng pre-trained model darknet53[25] để tiếp tục huấn luyện mơ hình cho tốn phát phương tiện giao thông 3.2 Cài đặt thử nghiệm 3.2.1 Môi trường thử nghiệm Để đáp ứng thử nghiệm đảm bảo tốc độ huấn luyện thử nghiệm luận văn đề xuất yêu cầu phần cứng thử nghiệm tối thiểu sau: - Hệ điều hành: Linux/Windows - Bộ xử lý: Intel Core i3 4130 @ 3.40GHz - Bộ nhớ Ram: 3GB Trong luận văn cầu hình phần cứng thử nghiệm là: - Hệ điều hành: Linux - Bộ xử lý: Intel Core i5 7400 @ 3.40GHz - Bộ nhớ Ram: 8GB - Bộ xử lý đồ họa GPU: Nvidia 1060 3GB Để cài đặt chạy thử nghiệm mơ hình YOLO luận văn sử dụng framework mã nguồn mở Darknet[26] Darknet framework giúp xây dựng mạng nơron viết C CUDA Nó nhanh, dễ cài đặt hỡ trợ tính tốn CPU GPU 39 3.2.2 Huấn luyện liệu Đầu vào: Tập liệu đầu vào mơ hình hình ảnh file mơ tả vị trí loại mỡi đối tượng ảnh mơ tả phần tiền xử lý Đầu ra: Tập ma trận trọng số w bias mơ hình YOLO Quá trình chạy thử nghiệm hệ thống hiển thị thơng tin lỡi sau mỡi vịng lặp Thơng tin có dạng: Hình 3.3: Log trình training Theo nhu đề xuất thành viên triển khai YOLO darknet dừng q trình huấn luyện total loss giảm xuống 0.06 thỏa mãn điều kiện kiểm tra tập liệu kiểm tra 3.2.3 Phương pháp đánh giá Các mơ hình phát đối tượng thường huấn luyện nhóm lớp cố định mơ hình định vị phân loại lớp hình ảnh Ngồi ra, vị trí đối tượng thường dạng hình nhật bị ràng buộc Vì vậy, phát đối tượng liên quan đến vị trí đối tượng hình ảnh phân loại đối tượng Trong thuật tốn, số ln đánh giá so với liệu thật Dữ liệu thật vị trí đối tượng cung cấp tập liệu training, validation test Đối với hệ thống phát đối tượng, liệu thật (ground truth) bao gờm hình ảnh, lớp đối tượng hộp giới hạn thực mỡi đối tượng ảnh 40 Hình 3.4: Xác định ground truth cho đối tượng Như hình ground truth box xác định ảnh huấn luyện kiểm tra Giả sử hình ảnh gốc thích cho ground truth giống ảnh Dữ liệu huấn luyện kiểm tra tất hình ảnh thích theo cách Mơ hình trả nhiều dự đốn số hầu hết độ tin cậy thấp, xem xét dự đoán độ tin cậy định Chúng ta cho hình ảnh gốc qua mơ hình thuật toán phát đối tượng trả về kết vị trí đối tượng có ảnh theo ngưỡng độ tin cậy Hình 3.5: Kết quả dự đốn mơ hình Để đánh giá độ xác, cần phải đánh giá tính xác dự đốn ảnh Để tính độ xác hộp giới hạn sử dụng độ đo IoU – Intersection over Union thể trùng khớp hộp giới hạn dự đoán hộp giới hạn thực đối tượng ảnh Như ảnh dưới, tương 41 ứng với mỗi lớp vùng hộp chồng chéo hộp dự đoán hộp thực đối tượng khu vực giao (intersection) tổng khu vực(union) Hình 3.6: So sánh kết quả dự đốn với ground truth đối tượng Intersection union ô tô ảnh tính sau Hình 3.7: Vùng giao kết quả dự đoán ground truth 42 IoU tính Hình 3.8: Cơng thức tính IoU Để tính tốn Precision Recall, giống toán học máy cần xác định điểm True Positives, False Positives, True Negatives False Negatives - True positive (TP): Thể phát xác IoU dự đốn với ground truth lớn ngưỡng - False Positive (FP): Một dự đốn khơng xác IoU dự đốn với ground truth nhỏ ngưỡng - False Negative (FN): Vùng có đối tượng(ground truth) không phát - True Negative (TN): Tất hộp giới hạn phát khơng xác Độ xác khả mơ hình định đối tượng liên quan Đố tỷ lệ phần của dự đốn xác tổng số dự đốn: 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 = 𝑇𝑃 + 𝐹𝑃 𝑇ổ𝑛𝑔 𝑠ố 𝑑ự đ𝑜á𝑛 Recall khả mơ hình để tìm tất đối tượng ảnh Đó tỷ lệ phần trăm số dự đốn xác tất đối tượng có liệu: 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 = 𝑇𝑃 + 𝐹𝑁 𝑇ấ𝑡 𝑐ả 𝑐á𝑐 𝑘ℎ𝑢 𝑣ự𝑐 𝑡ℎậ𝑡 𝑠ự Để đánh giá mơ hình phát đối tượng thương sử dụng độ xác trung bình dự đốn mean average precision- mAP[9,10,11] mAP thể độ phủ 43 trung bình lớp AP cho mỡi lớp tính theo đường cong thể liên quan precision recall mơ hình 3.3 Đề xuất phương pháp cải tiến đánh giá 3.3.1 Đề xuất phương pháp cải tiến Qua trình thử nghiệm dễ dàng thấy việc thay đổi cấu trúc số lớp convolutional để tăng tốc độ mơ hình Mặt khác YOLO mơ hình có khả tùy biến cao để cần tốc độ độ xác Với tốn nhận dạng phương tiện giao thơng có tốc độ di chuyển nhanh việc cần mơ hình có tốc độ xử lý nhanh độ xác điều kiện ánh sáng tốt cần thiết Trong luận văn sử dụng phương pháp thay đổi số lượng filter convolutional YOLO Quá trình thay đổi giúp tăng tốc độ dự đoán huấn luyện mơ hình YOLO mà độ xác khơng giảm nhiều Số lượng filter phương pháp cải tiền thự thay đổi số lượng filter lớp convolutional từ lớp 27 đến lớp 66, thay đổi số lượng filter xuống 512 256 filter 3.3.2 Đánh giá phương pháp cải tiến a Tốc độ xử lý Kết thực nghiệm cho thấy thời gian huấn luyện mơ hình giảm 40% so với mơ hình ban đầu, tốc độ xử lý dự đốn tăng khoảng 20% từ 10 FPS lên 12 FPS với GPU 1060 3G giảm số lượng filter lớp xuống 256 filter 44 Speed 12.5 12 11.5 11 FPS 10.5 10 9.5 YOLO Full YOLO 512 YOLO 256 Hình 3.9: Tốc độ xử lý b Thời gian huấn luyện Việc giảm số lượng filter giúp cho tốc độ hội tụ mơ hình YOLO với toán phát phương tiện nhanh Total loss 100 Total loss 80 60 40 20 0 20000 40000 YOLO Full Epochs YOLO 512 60000 80000 YOLO 256 Hình 3.10: Tốc độ hội tụ hai cấu hình Thời gian thực mỡi epoch mơ hình nhanh giúp qua trình huấn luyện nhanh đáng kể 45 Time training 100000 Epochs 80000 60000 40000 20000 10 15 20 25 30 35 Hours YOLO Full YOLO 512 YOLO 256 Hình 3.11: Thời gian huấn luyện hai cấu hình c Độ xác Accuracy mAP & Speed 90 80 70 60 50 40 30 20 10 mAP(%) speed(FPS) YOLO Full YOLO 512 YOLO 256 85.71 82.8 81.5 10 10.8 12 Hình 3.12: Kết quả mô hình YOLO sau thay đổi số filter Với kết này, thấy việc thay đổi cấu trúc mơ hình YOLO cải thiện tốc độ độ xác mơ hình Tùy thuộc vào đối tượng dự đốn yêu cầu thời gian toán mà đưa thay đổi phù hợp Trong thử nghiệm với phương tiện giao thông ô tô xe máy việc thay đổi số filter cải thiện tốc độ dự đoán đáng kể mà khơng làm giảm độ xác điều kiện ánh sáng tốt 46 3.4 Kết luận chương Chương III giới thiệu liệu thử nghiệm, xây dựng mơ hình, cài đặt thử nghiệm đề xuất phương pháp tiến mơ hình YOLO tốn phát phương tiện giao thơng giúp tăng tốc độ xử lý mà khơng làm độ xác mơ hình đáng kể 47 KẾT LUẬN Với mục tiêu nghiên cứu xây dựng mô hình phát phương tiện giao thơng áp dụng Việt Nam Luận văn tập trung nghiên cứu phương pháp phát nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu dựa mơ hình YOLO Luận văn đạt số kết sau: - Nghiên cứu tổng quan số vấn đề kỹ thuật học sâu xử lý ảnh, giới thiệu số mơ hình sử dụng phổ biến nhiều toán phát - Nghiên cứu sâu mơ hình YOLO, mơ hình đại Thử nghiệm đánh giá phương pháp cải tiến cho mô hình YOLO giúp cải thiện tốc độ huấn luyện tốc độ dự đoán - Thu thập liệu huấn luyện, thử nghiệm đánh giá kết phương pháp Kết thực nghiệm cho thấy việc thay đổi số filter lớp convolutional mơ hình YOLO thực đem lại hiệu giúp tăng tốc độ huấn luyện tốc độ dự đoán điều kiện ánh sang tốt ảnh đầu vào Trong tương lai, Luận văn tiếp tục nghiên cứu theo hướng ứng dụng phục vụ cho hệ thống giám sát giao thông Việt Nam 48 TÀI LIỆU THAM KHẢO [1] Agarap, Abien Fred "Deep Learning using Rectified Linear Units (ReLU)." arXiv preprint arXiv:1803.08375 (2018) [2] Dalal, Navneet, and Bill Triggs "Histograms of oriented gradients for human detection." Computer Vision and Pattern Recognition, 2005 CVPR 2005 IEEE Computer Society Conference on Vol IEEE, 2005 [3] Girshick, Ross, et al "Region-based convolutional networks for accurate object detection and segmentation." IEEE transactions on pattern analysis and machine intelligence 38.1 (2016): 142-158 [4] Girshick, Ross, et al "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition 2014 [5] Girshick, Ross "Fast r-cnn." Proceedings of the IEEE international conference on computer vision 2015 [6] He, Kaiming, et al "Spatial pyramid pooling in deep convolutional networks for visual recognition." European conference on computer vision Springer, Cham, 2014 [7] Hearst, Marti A., et al "Support vector machines." IEEE Intelligent Systems and their applications 13.4 (1998): 18-28 [8] Hosang, Jan Hendrik, Rodrigo Benenson, and Bernt Schiele "Learning nonmaximum suppression." CVPR 2017 [9] Hsieh, Jun-Wei, et al "Automatic traffic surveillance system for vehicle tracking and classification." IEEE Transactions on Intelligent Transportation Systems 7.2 (2006): 175-187 [10] Liu, Wei, et al "Ssd: Single shot multibox detector." European conference on computer vision Springer, Cham, 2016 [11] Oksuz, Kemal, et al "Localization recall precision (LRP): A new performance metric for object detection." European Conference on Computer Vision (ECCV) 2018 49 [12] Redmon, Joseph, and Ali Farhadi "Yolov3: An incremental improvement." arXiv preprint arXiv:1804.02767 (2018) [13] Redmon, Joseph, et al "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition 2016 [14] Ren, Shaoqing, et al "Faster r-cnn: Towards real-time object detection with region proposal networks." Advances in neural information processing systems 2015 [15] Sermanet, Pierre, et al "Overfeat: Integrated recognition, localization and detection using convolutional networks." arXiv preprint arXiv:1312.6229 (2013) [16] Wen, Xuezhi, et al "A rapid learning algorithm for vehicle classification." Information Sciences 295 (2015): 395-406 [17] https://en.wikipedia.org/wiki/Activation_function [18] https://en.wikipedia.org/wiki/Convolutional_neural_network [19] http://host.robots.ox.ac.uk/pascal/VOC/voc2007/ [20] http://cocodataset.org/ [21] https://www.itpro.co.uk/hardware/30399/what-is-a-gpu [22] https://developer.nvidia.com/cuda-gpus [23] https://vi.wikipedia.org/wiki/H%E1%BB%8Dc_s%C3%A2u [24] http://cs231n.github.io/transfer-learning/ [25] https://pjreddie.com/darknet/imagenet/#darknet53 [26] https://pjreddie.com/darknet/ ... quan tốn phát phương tiện giao thơng Các kỹ thuật áp dụng cho toán nhận diện phương tiện giao thông hạn chế kỹ thuật  CHƯƠNG 2: PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG KỸ THUẬT HỌC SÂU YOLO Giới... cứu ? ?Nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu? ?? Hy vọng kết đề tài tiền đề quan trọng việc xây dựng hệ thống giám sát phương tiện giao thông hệ thống cảnh báo ùn tắc giao thông. ..HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - BÙI TRẦN TIẾN NHẬN DẠNG PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG KỸ THUẬT HỌC SÂU CHUYÊN NGÀNH : KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.01 LUẬN VĂN

Ngày đăng: 13/03/2019, 22:20

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan