Ceļa seguma iezīmju noteikšana, izmantojot mašīnmācīšanos

Abstract

Pēdējos gados pastiprināta uzmanība tiek pievērsta datorredzes problēmām un konvolūciju neironu tīklu lomai problēmu risinājumos. Darba teorētiskajā daļā vispārīgi tiek apskatīta mākslīgo neironu uzbūve un vēsture, kā arī konvolūciju neironu tīklu uzbūve un jaunākie konvolūciju neironu tīklu modeļi, t.s. “reģionu” bāzētie: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN un “viena šāviena detektora” bāzētie: SSD un YOLO. Darbā tiek pētītas ceļu seguma iezīmes un to izmantošana neironu tīklu apmācīšanā, kā arī tiek sniegts neliels ieskats mašīnmācīšanās ietvaru izvēlē. Tiek apskatīti arī citi pētījumi, kas ir saistīti ar šo tēmu un alternatīvu risinājumu izveidi. Darba nobeigumā tiek aprakstīti secinājumi par konvolūciju neironu tīklu veidu izvēli atbilstoši ceļa seguma iezīmju noteikšanai, kā arī citi apsvērumi praktiska risinājuma izstrādei.

In recent years attention has increased for computer vision problems and the role of convolutional neural networks in solutions. The theoretical part of this study includes a general overview of artificial neural netwroks, convolutional neural netwroks and latest convolutional neural network models such as, region-based: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN and one shot detector based: SSD and YOLO. The work also contains study of road surface features and their use in neural network training. A brief overview is provided about a number of machine learning frameworks with recommendations. Several other papers related to this topic and alternative solutions were studied. Final conclusions about the choice of convolutional network models for the road surface feature detection and other concerns are included at the end of the work.