Сравнительный анализ и тестирование нейросетевых моделей глубокого обучения для распознавания дорожных знаков

Для выделения наиболее подходящей нейросетевой модели и последующих рекомендаций в статье приведено сравнение нескольких нейросетевых моделей глубокого обучения в формате тестирования в схожих условиях на различных платформах с целью их дальнейшего применения для решения задач распознавания дорожных знаков в автопилотированиии транспортных средств. Описаны результаты проведённого сравнительного анализа работы нейросетевых моделей DenseNet, GoogleNet, LeNet, MobileNet и ResNet50 с целью определения наиболее подходящей для обучения беспилотных автомобилей под управлением искусственного интеллекта. В качестве базы данных применялся набор записей TSRD с изображениями дорожных знаков. В ходе анализа приведены результаты исследования как с центральными, так и с графическими процессорами. Установлено, что для используемого тестового набора данных размер изображения из выбранной области интересов не всегда влиял на точность выходных данных. В ходе экспериментов показано, что использование глубоких моделей с большим временем обучения также не всегда способствовало увеличению точности вывода.