Tiefes neuronales Netzwerk für Verkehrszeichen-Erkennungssysteme: Eine Analyse von Spatial Transformers und stochastischen Optimierungsmethoden

Diese Arbeit präsentiert einen Deep-Learning-Ansatz für Verkehrszeichenerkennungssysteme. Es werden mehrere Klassifikationsversuche an öffentlich verfügbaren Verkehrszeitensdatensätzen aus Deutschland und Belgien durchgeführt, wobei ein tiefer neuronalen Netzwerk verwendet wird, das aus Faltungs- (Convolutional) Schichten und Spatial Transformer Networks (STNs) besteht. Diese Experimente dienen der Bewertung des Einflusses verschiedener Faktoren mit dem Ziel, ein Convolutional Neural Network (CNN) zu entwerfen, das die derzeitige state-of-the-art-Leistung bei der Verkehrszeichenklassifikation verbessert. Zunächst werden verschiedene adaptive und nicht-adaptive Optimierungsalgorithmen basierend auf stochastischem Gradientenabstieg, wie SGD, SGD-Nesterov, RMSprop und Adam, evaluiert. Anschließend werden verschiedene Kombinationen von Spatial Transformer Networks analysiert, die an unterschiedlichen Positionen innerhalb des Hauptneuralen Netzes platziert sind. Die vorgeschlagene Architektur erreicht eine Erkennungsrate von 99,71 % im German Traffic Sign Recognition Benchmark, wodurch sie die bisherigen state-of-the-art-Methoden übertrifft und zudem effizienter hinsichtlich des Speicherverbrauchs ist.