Criação e validação de uma base de dados com elementos do Transito brasileiro para Veículos autônomos / Creation and validation of a database with elements of the Brazilian traffic to Automobile vehicles

Diego Haji Carvalho Campos, Elder de Oliveira Rodrigues, Erick Carvalho Campos

Resumo


A aprendizagem de máquina vem possibilitando o surgimento de novos produtos e recursos revolucionários, como veículos autônomos. Graças às redes neurais artificiais aplicadas à visão computacional, os sistemas conseguem reconhecer padrões de forma próxima à visão humana.  Para o treinamento de redes neurais profundas (Deep Learning) é necessária uma base de dados numerosa para a compreensão de padrões visuais.  Visando contribuir com as aplicações para veículos autônomos, este trabalho cria uma base de dados com alguns elementos do trânsito brasileiro. Para a validação e treinamento da base de dados foi utilizada a rede Solo- v3 e realizados testes em diversos cenários, avaliando critérios como a quantidade de objetos detectados e a capacidade de identificação correta do tipo de objeto.  Como resultado, para o ambiente virtual houve detecções de 21,5% de objetos, com 83% classificados corretamente. E para os cenários reais houve detecções de 61,8% de objetos, com 88% classificados corretamente.


Palavras-chave


Aprendizagem de Máquina, Veículos Autônomos, Redes Neurais Artificiais, Deep Learning, Yolo-v3, Base de Dados.

Texto completo:

PDF

Referências


AlexeyAB (2017). Yolo mark. URL https://github. com/AlexeyAB/Yolo_mark.

COCO (2018). Coco - common objects in context. URL http://cocodataset.org/#download.

Epic (2018). Unreal engine 4 - ia. URL https://tinyurl. com/y3jkxm3m.

Krause, J., Stark, M., Deng, J., and Fei-Fei, L. (2013). 3d object representations for fine-grained categorization. In 4th International IEEE Workshop on 3D Representation and Recognition (3dRR-13). Sydney, Australia.

Krizhevsky, A., Sutskever, I., and Hinton, G.E. (2012). Imagenet classification with deep convolutional neural networks. In Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1, NIPS’12, 1097–1105. Curran Associates Inc., USA. URL http://dl.acm.org/citation.cfm? id=2999134.2999257.

LeCun, Y., Bengio, Y., and Hinton, G.E. (2015). Deep learning. Nature, 521(7553), 436–444. doi:10. 1038/nature14539. URL https://doi.org/10.1038/ nature14539.

Martins, M.A. (2017). Identificação de placas de trânsito através da classificação de imagens usando redes neurais artificiais. URL https:// repositorio.ufu.br/bitstream/123456789/19551/ 1/IdentificacaoPlacasTransito.pdf.

NVIDIA (2018a). Cuda zone. URL https://developer. nvidia.com/cuda-zone.

NVIDIA (2018b). Fundamentals of deep learning for computer vision. URL https://courses.nvidia.com/ courses/course-v1:DLI+C-FX-01+V2/about.

NVIDIA (2018c). Nvidia cudnn. URL https:// developer.nvidia.com/cudnn.

Patterson, J. and Gibson, A. (2017). Deep Learning: A Practitioner’s Approach. O’Reilly Media, Inc., 2nd edition.

Pen, M. (2018). Blender for computer vision machine learning. URL https:// blog.thepixelary.com/post/174286685782/ blender-for-computer-vision-machine-learning.

Redmon, J. and Farhadi, A. (2018). Yolov3: An incremental improvement. CoRR, abs/1804.02767. URL http://arxiv.org/abs/1804.02767.

Rodrigues, L. (2018). Carros autônomos já começam a virar realidade. URL https://tinyurl.com/y34olr9y. Shah, S., Dey, D., Lovett, C., and Kapoor, A. (2017). Airsim: High-fidelity visual and physical simulation for autonomous vehicles. In Field and Service Robotics.

URL https://arxiv.org/abs/1705.05065.

Sobrinho, M.V.O., Menezes, M.C., Nascimento, C.G.M., and Junior, G.B. (2016). Reconhecimento de sinais de transito utilizando deep learning. URL http://sistemas.deinf.ufma.br/anaisjim/ artigos/2016/201622.pdf.

Stallkamp, J., Schlipsing, M., Salmen, J., and Igel, C. (2011). The German Traffic Sign Recognition Bench- mark: A multi-class classification competition. In IEEE International Joint Conference on Neural Networks, 1453–1460.

Visics (2009). Traffic sign recognition. URL http://www. vision.ee.ethz.ch/~timofter/traffic_signs/.

Waymo (2019). Waymo journey. URL https://waymo. com/journey/.

Worcester, Polytechnic, I. (2018). Wpi datasets. URL http://computing.wpi.edu/dataset.html.




DOI: https://doi.org/10.34115/basrv4n3-068

Apontamentos

  • Não há apontamentos.