Réseau de neurones profond pour les systèmes de reconnaissance de panneaux de circulation : une analyse des transformateurs spatiaux et des méthodes d'optimisation stochastique

Ce papier présente une approche fondée sur l'apprentissage profond pour les systèmes de reconnaissance des panneaux de signalisation routière. Des expériences de classification sont menées sur des jeux de données publics de panneaux de signalisation provenant d'Allemagne et de Belgique, en utilisant un réseau neuronal profond composé de couches convolutionnelles et de réseaux de transformateurs spatiaux. Ces expérimentations visent à évaluer l'impact de divers facteurs, dans le but de concevoir un réseau neuronal convolutionnel capable d'améliorer l'état de l'art de la classification des panneaux de signalisation. Tout d'abord, différentes algorithmes d'optimisation stochastiques adaptatifs et non adaptatifs, tels que SGD, SGD-Nesterov, RMSprop et Adam, sont évalués. Ensuite, plusieurs combinaisons de réseaux de transformateurs spatiaux placés à différentes positions au sein du réseau neuronal principal sont analysées. Le taux de reconnaissance du réseau neuronal convolutionnel proposé atteint une précision de 99,71 % sur le benchmark allemand de reconnaissance des panneaux de signalisation, surpassant ainsi les méthodes précédentes de l'état de l'art, tout en étant plus efficace en termes de consommation mémoire.