Geri Dön

Traffic signs classification with transfer learning of CNN based models and performance comprasion

CNN ağları kullanılarak trafik işaretlerinin tespiti ve performans karşılaştırması

  1. Tez No: 800678
  2. Yazar: MOHAMMED GHAZİ KHASSAF ALSHAMİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Trafik işareti sınıflandırma, derin öğrenme, evrişimli sinir ağı, transfer öğrenme, Traffic sign classification, deep learning, convolutional neural network, transfer learning
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Trafik işaretlerini tespit etmeye yönelik sistemler, otonom sürüş ve sürücü yardımı gibi yaygın gerçek dünya uygulamalarının önemli bir parçasıdır. Diğerlerinin yanı sıra ResNet, VGG ve DenseNet dahil olmak üzere birçok öğrenme sistemi, trafik işareti algılamanın doğruluğunu artırmak için son yıllarda kullandırılmıştır. Ancak bunlardan hangisinin diğerlerinden daha iyi performans gösterebileceği net değildir. Modellerin benzer koşullarda ve hiperparametre değerleri altında araştırılmaları gerekir. Sistemin aynı veri kümesi için verdiği performans değerleri karşılaştırılabilir. Ek olarak, aynı iterasyon sayısı ile eğitilmesi gibi standartlar belirlenmelidir. Her ikisi de aynı olması gereken kodlama için kullanılan dil ve eğitim sistemini çağırmak için kullanılan teknik, ayrıca dikkate alınması gereken hususlardır. Sonuç olarak, bu koşullar altında, farklı sınıflandırma modellerinin karşılaştırmasının altında yapıldığı söylenebilir. Benzer durumlarda, bu analojinin sonucu doğru olacaktır. Bu çalışmada, ResNet50, DenseNet'in transfer öğrenmesi ile trafik işaretlerinin tespiti için Türk trafik işareti ve Alman trafik işareti veriseti (GTSRB) kullanılmıştır. DenseNet121, VG16, VGG19, MobileNet, Xception, EfficientNet-B0 derin öğrenme sınıflandırma modelleri transfer öğrenme yöntemiyle veri kümesi üzerinde aynı koşullarda uygulanmıştır. Elde edilen sonuçlar karşılaştırılıp trafik işareti tespitinde kullanımı değerlendirilmiştir. Modeller için eğitim kaybı, doğrulama kaybı, eğitim doğruluğu, validasyon doğruluğu, test kesinliği, test hatırlama, test F1 ölçümü ve test doğruluğu metrikleri verilmiştir.

Özet (Çeviri)

Traffic sign recognition systems are essential to popular real-world applications such as autonomous driving and driver assistance. Several learning systems based on ResNet, VGG, and DenseNet classification models, have been published recently to improve traffic sign recognition accuracy. However, it is debatable as to which of these systems is better than the others. It must be thoroughly evaluated with the same dataset. First, they must have similar hyperparameter values and evaluation mechanisms to test the system under similar conditions. Also, training should be common under the same number of intervals. The language used for coding and the technology used to call the training system must also be identical. Under these conditions, different classification models were compared under similar conditions using the GTSRB dataset and the Turkish traffic sign dataset. Thus the inference of this analogy would be valid. This study uses both datasets for traffic sign recognition by transfer learning for ResNet50, DenseNet121, VGG16, VGG19, MobileNet, Xception, and EfficientNetB0. Training loss, validation loss, training accuracy, validation accuracy, test accuracy, test recall, F1 test measurement, and test accuracy are used to compare models. The results are compared and presented for use in traffic sign recognition.

Benzer Tezler

  1. Sürücü destek sistemleri için yeni yol ve işaret tanıma yöntemleri

    New road and sign recognition methods for driver assistance systems

    GÜLCAN YILDIZ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR DİZDAROĞLU

  2. Traffic signs recognition and translation using neural networks

    Trafik işaretleri tanıma ve sinir ağları kullanarak çeviri

    HUSHAM QUTAIBA HUSHAM AL-NOORI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEFER KURNAZ

  3. Okunabilir kopyalama algoritmalı DSM sisteminin gerçeklenmesi

    Başlık çevirisi yok

    ÖZGÜR KORAY ŞAHİNGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TAKUHİ NADİA ERDOĞAN

  4. Nicemlenmiş yerel zernike momentlerle trafik işaretlerinin sınıflandırılması

    Traffic sign classification with quantized local zernike moments

    EMRAH BAŞARAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHİTTİN GÖKMEN

  5. Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması

    Real-time classification of traffic signs with deep learning methods

    KEMAL USANMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELDA GÜNEY