Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
Fecha
2021-11
Autores
Bobadilla Ramos, Juan Manuel
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Autónoma de Ciudad Juárez
Resumen
Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.
Descripción
Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.
Palabras clave
Faster R-CNN, TensorFlow, Deep learning, Señal vial, Conducción autónoma