تقييم الشبكات العصبية العميقة لأنظمة كشف لوحات الإشارات المرورية

تشكل أنظمة كشف لوحات الإشارات المرورية عنصرًا رئيسيًا في التطبيقات الواقعية المعاصرة، مثل القيادة الذاتية وسلامة السائق والمساعدة. تحلل هذه الورقة الحالة الراهنة لأنظمة كشف الكائنات المختلفة (Faster R-CNN، R-FCN، SSD، وYOLO V2) مُقترنة بمستخرجات ميزات متعددة (ResNet V1 50، ResNet V1 101، Inception V2، Inception ResNet V2، MobileNet V1، وDarknet-19)، التي تم تطويرها سابقًا من قبل مؤلفيها المعنيين. ونهدف من هذه الدراسة إلى استكشاف الخصائص التي تميز نماذج كشف الكائنات هذه بعد تعديلها وتكيفها بشكل خاص لمشكلة كشف لوحات الإشارات المرورية باستخدام تقنية التعلم المنقول (Transfer Learning). وبشكل خاص، يتم تحسين دقة نماذج كشف الكائنات المتوفرة علنًا التي تم تدريبها مسبقًا على مجموعة بيانات Microsoft COCO، وذلك عبر تدريبها الدقيق (Fine-tuning) على مجموعة بيانات German Traffic Sign Detection Benchmark. وتشمل عملية تقييم ومقارنة هذه النماذج مقاييس رئيسية مثل متوسط الدقة المتوسطة (mAP)، واحتلال الذاكرة، ووقت التشغيل، وعدد العمليات الحسابية بالنقاط العائمة، وعدد معاملات النموذج، بالإضافة إلى تأثير أحجام صور لوحات الإشارات المرورية. تُظهر النتائج أن نموذج Faster R-CNN مع Inception ResNet V2 يحقق أفضل قيمة لـ mAP، بينما يحقق نموذج R-FCN مع ResNet 101 أفضل توازن بين الدقة ووقت التنفيذ. ويستحق نموذج YOLO V2 وSSD مع MobileNet ذكرًا خاصًا، إذ يحقق الأول نتائج دقيقة تنافسية ويأتي في المرتبة الثانية من حيث السرعة، في حين يُعد الأخير أسرع نموذج وأخفه من حيث استهلاك الذاكرة، مما يجعله الخيار المثالي للنشر على الأجهزة المحمولة والأجهزة المدمجة.