AI-United » Allgemein » CURE-TSD-Real: der Datensatz zur Überprüfung des Systems zur Objekterkennung

CURE-TSD-Real: der Datensatz zur Überprüfung des Systems zur Objekterkennung

CURE-TSD-Real enthält modifizierte Bilder von Verkehrsschildern, die von den Standard- Neuronennetzen nur schwer erkannt werden. Das zusätzliche Trainieren des Modells anhand eines solchen Datensatzes lässt die Stabilität seiner Vorhersagen einschätzen. Der Datensatz wurde von Forschern aus Georgia Tech gesammelt. Die Forscher sammelten die Bilder von Verkehrsschildern und erweiterten die Daten mit Hilfe vom Algorithmus.

Die Architektur

CURE-TSD-Real besteht aus 2.989 Videos mit ~ 650.000 annotierten Verkehrsschildern. Die Verkehrszeichen wurden unter verschiedenen Bedingungen aufgenommen: Regen, Schnee, Nacht, Nebel, Widerschein, Verfärbung, Verschwommenheit, schmutziges Linsenglas, Okklusion und trübes Wetter. Das Video wurde auf den Straßen von Belgien aufgenommen.

Arten von Verkehrszeichen im Datensatz

Dieser Datensatz wird in Ebenen unterteilt. Je höher die Ebene, desto höher der Rauschanteil in den Bildern und desto komplizierter das Trainieren des Modells.

Das Testen

Die Forscher haben die 2 besten Architekturen des Wettbewerbs VIP Cup traffic sign detection trainiert, um einzuschätzen, wie gut das Neuronennetz die Zeichen aus CURE-TSD-Real erkennen kann. Beide Modelle basieren auf faltenden neuronalen Netzwerken. VGG und ResNet liegen dem ersten Modell zugrunde. GoogLeNet und benutzerdefiniertes CNN liegen dem zweiten Modell zugrunde.

Die Testergebnisse zeigten, dass die Anwesenheit ungünstiger Aufnahmeverhältnisse die Präzision der Vorhersagen des Modells um 20-60% senkt. Das hängt von der Genauigkeitsmetrik ab, die angewandt wird. 

Solche Bedingungen wie Schatten auf Video beeinflussen in geringerem Ausmaß die Qualität der Vorhersagen des Modells (sie senken sie um 16%). Die Fehler, die mit dem Kodieren des Videos verbunden sind, senken die Modellgenauigkeit um 80%.

Quelle
AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410