РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ В СЛОЖНЫХ ПОГОДНЫХ УСЛОВИЯХ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

В исследовании рассматривается использование сверточных нейронных сетей (CNN) для улучшения систем распознавания дорожных знаков, особенно в сложных погодных условиях. В исследовании, основанном на новой модели CNN, используется расширенный набор данных немецкого теста распознавания дорожных знаков (GTSRB), который содержит более 50 000 изображений с надписями, охватывающих 43 категории. В модели представлены адаптивные слои выделения объектов, предназначенные для устранения проблем с видимостью, вызванных такими погодными факторами, как дождь, туман и снег. Для моделирования различных погодных сценариев применяются передовые методы увеличения объема данных, что увеличивает разнообразие обучающего набора данных. Это исследование не только рассматривает теоретические и практические усовершенствования, предоставленные CNNs для обнаружения дорожных знаков в неблагоприятных условиях, но и проверяет эффективность модели с помощью таких показателей, как точность, отзывчивость и показатель F1. Результаты подтверждают эффективность модели в минимизации ложных срабатываний и точной идентификации дорожных знаков. В документе подчеркивается важность тщательной подготовки набора данных, оптимизации моделей и усовершенствования обучения для повышения производительности системы обнаружения. Это положительно сказывается на интеллектуальных транспортных системах, автономном вождении и безопасности дорожного движения, что свидетельствует о будущем прогрессе в области надежных технологий распознавания дорожных знаков.