رویکرد یادگیری انتقالی برای شناسایی تابلوهای ترافیک ایرانی در اتومبیل های خودران

در سال‌ها‌ی اخیر با پیشرفت روزافزون هوش مصنوعی و یادگیری ماشین شاهد تحولات بزرگی در زمینه وسایل نقلیه و خودرو های خودران بوده‌ایم. تشخیص و تفسیر تابلو‌های ترافیک شهری توسط سیستم‌های بینایی ماشین می‌تواند به عنوان یکی از اصول اولیه وسایل نقلیه خودران به بهبود ایمنی عملیات رانندگی کمک بسزایی نماید. تعامل بالا‌ی وسایل نقلیه خودران با تابلوهای ترافیک در طول حرکت، ایجاد سیستمی با دقت بالا برای تفسیر و تصمیم‌گیری بی‌درنگ را چالش برانگیز می‌کند. در این پژوهش سیستمی طراحی شده است که با استفاده از شبکه های عصبی پیچشی قادر به بازشناسی تابلوهای ترافیکی ایرانی خواهد بود. ما با استفاده از رویکرد یادگیری انتقالی، مدل خود را با یک مجموعه جدید از تصاویر تابلو‌های ترافیک کشور ایران آموزش خواهیم داد که در شرایطی بهینه به دقت بالایی خواهد رسید.

Transfer Learning Approach for Recognition of Iranian Traffic Signs in Self-Driving Cars

In recent years, with the increasing advancement of artificial intelligence and machine learning, huge changes have occurred in the field of vehicles and self-driving cars. Recognition and interpretation of urban traffic signs, by machine vision systems, improve the safety of driving operations as one of the basic principles of self-driving vehicles. Due to the high interaction of self-driving vehicles with traffic signs during the movement, creating a system with high accuracy for interpretation and an immediate decision is a big challenge. In this research, with the use of convolutional neural networks, a system is designed that can recognize Iranian traffic signs. By applying the transfer learning approach, we train our model with a new collection of traffic signs images that reaches a high accuracy in optimal conditions.