Key points are not available for this paper at this time.
يعتبر الكشف عن علامات المرور جزءًا مركزيًا من تكنولوجيا السيارات الذاتية. لقد دفعت التقدمات الأخيرة في خوارزميات التعلم العميق الباحثين لاستخدام الشبكات العصبية لأداء هذه المهمة. في هذه الورقة، ننظر إلى الكشف عن علامات المرور كمشكلة تقسيم الصور ونقترح نهجًا قائمًا على شبكة عصبية تلافيفية عميقة لحلها. لتحقيق ذلك، نقترح شبكة جديدة، وهي SegU-Net، التي نشكلها من خلال دمج أحدث المعمارية لتقسيم الصور - SegNet و U-Net - للكشف عن علامات المرور من تسلسلات الفيديو. لتدريب الشبكة، نستخدم وظيفة خسارة Tversky المقيدة بحد L1 بدلاً من خسارة التقاطع على الاتحاد المستخدمة تقليديًا لتدريب شبكات التقسيم. نستخدم شبكة منفصلة، مستلهمة من معمارية VGG-16، لتصنيف العلامات المكتشفة. يتم تدريب الشبكات على تسلسلات تحدي خالية من مجموعة بيانات CURE-TSD. تتفوق شبكتنا المقترحة على شبكات كشف الأجسام الحديثة، مثل Faster R-CNN inception Resnet V2 و R-FCN Resnet 101، بفارق كبير وتحصل على دقة واسترجاع بنسبة 94.60% و80.21% على التوالي، مما يمثل حالة الفن الحالية في هذا الجزء من مجموعة البيانات. بالإضافة إلى ذلك، يتم اختبار الشبكة على مجموعة بيانات معيار كشف علامات المرور الألمانية (GTSDB)، حيث تحقق دقة واسترجاع بنسبة 95.29% و89.01% على التوالي. هذه النتائج تتماشى مع أداء شبكات كشف الأجسام المذكورة أعلاه. تثبت هذه النتائج عمومية المعمارية المقترحة وملاءمتها للكشف القوي عن علامات المرور في السيارات الذاتية.
قام كمال وآخرون (السبت) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: