A comparative performance analysis of deep learning-based traffic sign and driver behaviour recognition system across different hardware platforms
Jaiswal, Shaurya |
Šiame magistro tezių darbe nagrinėjamas giliuoju mokymusi pagrįstos kelio ženklų ir vairuotojo elgesio atpažinimo sistemos našumas skirtingose skaičiavimo įrangos platformose. Magistro tezių turinys suskirstytas į kelias dalis: pirmoji dalis - literatūros analizė, kurioje analizuojami įvairūs su vairuotojų elgsena ir kelio ženklų atpažinimo sistemomis susiję darbai. Nagrinėjami įvairūs tokių sistemų įgyvendinimo metodai, jų našumas, taip pat, tokioms sistemoms naudojami duomenų rinkiniai. Be to, literatūros analizėje išnagrinėta informacija apie skirtingus vaizdų atpažinimo metodus, taip pat, įgalino suprasti esamas vaizdų atpažinimo technologijas bei įrankius, ir susitelkti ties jų pritaikymu magistro darbo iškeltiems tyrimo uždaviniams išspręsti. Antroji dalis – tyrimo metodų paieška, įgyvendinimas, gautų rezultatų susisteminimas, apibendrinimas. Šioje magistro darbo dalyje pasirenkamas tinkamas tyrimų metodas, įrankiai ir priemonės, sukuriamas kelio ženklų atpažinimo ir vairuotojo akių elgsenos padėties nustatymo sistemos prototipas, paremtas konvoliucinių neuroninių tinklų algoritmais, sukuriama papildoma, tyrimams skirta, programinė įranga naudojanti „Tensorflow“, „Tensorflow Lite“ ir „YOLO“ atviro kodo programų karkasus. Naudojant minėtus programų karkasus ir kompiuterinių sistemų virtualizacijos įrankius buvo parengti skirtingi atpažinimo sistemų prototipai, jų veikimo našumas lygintas virtualizuotoje aparatinėje įrangoje, siekiant rasti idealų aparatinės ir programinės įrangos derinį, atitinkanti greitaveikos, tikslumo ir minimalių techninių resursų santykį. Gauti rezultatai rodo, kad pakanka „Tensorflow Lite“ karkaso pagrindu veikiančios sistemos ir mikrokomoiuterių klasės aparatinės įrangos kelio ženklų ir vairuotojų elgsenos atpažinimui naudoti.
This master thesis looks at the performance of a deep learning-based traffic sign and driver behaviour recognition systems on different hardware platforms. The project is divided into several parts, with the first part being the literature analysis, where different papers related to traffic sign and driver behaviour recognition systems are analysed. Different methods of implementing such systems, their performance as well as the datasets used by such systems are observed. In addition, the literature analysis of different methods of image recognition also help to understand the technologies available as well as help to focus on the approach to be used for this project. The relevant method and framework is selected and a system of traffic sign recognition and driver eye behaviour position recognition system is built on a convolutional neural network using different frameworks like Tensorflow, Tensorflow Lite and YOLO. Then the performance of the recognition system created through the frameworks are observed on different virtualized hardware and compared, to find the ideal hardware and software combination which can be used practically by different people or organizations seeking to implement such systems on any scale or continue further research in this area.