Analyse de motifs pour les véhicules autonomes avec le réseau de neurones basé sur les régions et les caractéristiques : auto-localisation globale et reconnaissance des panneaux de signalisation

Les véhicules autonomes nécessitent que tous les processus soient efficaces en termes de temps, de complexité et de stockage des données. En fait, un système idéal utilise des modèles multifonctionnels chaque fois que cela est possible. Cet article présente le réseau de neurones basé sur les régions et les caractéristiques (RFNN) comme un moteur d'analyse de motifs viable pour résoudre une variété de problèmes avec un seul modèle mathématique. Le RFNN utilise des champs réceptifs et le partage de poids pour compenser le bruit, les décalages de phase mineurs et les occlusions. Le RFNN utilise également des taux d'apprentissage adaptatifs gourmands et une préservation des caractéristiques mature pour accélérer l'ensemble du processus d'apprentissage. Une approche ad hoc novatrice appelée "shocking" est utilisée pour résoudre le problème d'instabilité inhérent aux taux d'apprentissage adaptatifs gourmands. La "caractéristique" de base du RFNN est ancrée dans la morphologie de la vision par ordinateur en ce sens que le réseau de neurones apprend de manière autonome des sous-modèles uniques à divers problèmes. Cet article décrit de manière exhaustive l'architecture flexible du RFNN et le processus d'apprentissage et présente deux problèmes qui peuvent être résolus par le RFNN : la reconnaissance de motifs de capteurs et la reconnaissance des panneaux de signalisation.