Tiefes Lernen für die Erkennung und Detektion von Verkehrsschildern in Großstädten

Die automatische Erkennung und Identifizierung von Verkehrsschildern spielt eine entscheidende Rolle bei der Verwaltung des Bestands an Verkehrsschildern. Sie bietet einen genauen und zeitgerechten Weg, den Bestand an Verkehrsschildern mit minimalem menschlichen Aufwand zu verwalten. Innerhalb der Gemeinschaft für Computer Vision ist die Erkennung und Detektion von Verkehrsschildern ein gut erforschtes Problem. Die Mehrheit der existierenden Ansätze funktioniert gut bei den für fortgeschrittene Fahrerassistenz- und autonome Systeme benötigten Verkehrsschildern. Allerdings stellt dies nur eine relativ kleine Anzahl aller Verkehrsschilder dar (ungefähr 50 Kategorien aus mehreren Hundert), und die Leistung bei der übrigen Menge von Verkehrsschildern, die erforderlich sind, um manuelle Arbeit in der Bestandsverwaltung von Verkehrsschildern zu reduzieren, bleibt eine offene Frage. In dieser Arbeit behandeln wir das Problem der Detektion und Erkennung einer großen Anzahl von Verkehrsschilderkategorien, die für die Automatisierung der Bestandsverwaltung geeignet sind. Wir greifen auf einen Ansatz mit konvolutiven Neuronalen Netzen (CNN), nämlich den Mask R-CNN, zurück, um den gesamten Prozess der Detektion und Erkennung durch automatisches End-to-End-Lernen abzudecken. Wir schlagen mehrere Verbesserungen vor, die auf der Detektion von Verkehrsschildern evaluiert werden und zu einer verbesserten Gesamtleistung führen. Dieser Ansatz wird auf die Detektion von 200 Verkehrsschilderkategorien angewendet, die in unserem neuen Datensatz vertreten sind. Ergebnisse werden für hoch anspruchsvolle Kategorien von Verkehrsschildern berichtet, die bisher in früheren Arbeiten nicht berücksichtigt wurden. Wir liefern eine umfassende Analyse der Tiefenlernalgorithmen zur Detektion von Verkehrsschildern mit großer innerkategorialer Erscheinungsvariabilität und zeigen Fehlerquoten unter 3 % mit dem vorgeschlagenen Ansatz, was ausreichend ist für praktische Anwendungen in der Bestandsverwaltung von Verkehrsschildern.