Trafik Hız Sınırlama Levhalarının Derin Öğrenme ile Sınıflandırılması
Abstract
Yapay sinir ağları makine öğrenmesi alanında birçok problemin çözümünde sıklıkla kullanılmaktaydı. Fakat “Yapay Zeka Kışı” olarak da adlandırılan dönemde ilk olarak donanımsal kısıtlamalar ve diğer problemler sebebiyle bu alandaki çalışmalar durma noktasına gelmiştir. 2000’lerin başında tekrar gözde bir alan olmaya başlayan yapay sinir ağları, GPU gelişmeleriyle birlikte sığ ağlardan derin ağlara geçiş yapmıştır. Derin öğrenme, her katmanda geri yayılım algoritmasını kullanarak büyük veri kümelerindeki gizli ve ayırt edici özelliklerini keşfetmektedir. Bu yaklaşım görüntü işlemeden, doğal dil işlemeye, medikal uygulamalardan aktivite tanımaya kadar oldukça geniş bir yelpazede başarıyla kullanılmaya başlanmıştır. Konvolüsyonel Sinir Ağı (CNN), bir modelin doğrudan görüntülerden, videodan, metinlerden veya sesten sınıflandırma görevlerini gerçekleştirerek öğrenen bir makine öğrenimi türüdür ve derin öğrenmenin en popüler algoritmalarından bir tanesidir. Bu çalışmada öncelikle görüntü işleme, sinyal işleme, doğal dil işleme ve konuşma tanıma gibi makine öğrenmesi konularındaki problemlerin çözümünde son yıllarda büyük doğruluk oranı ve hız ile kendinden çokça söz ettiren konvolüsyonel sinir ağlarından bahsedilmiştir. Bu ağların yapısı incelenmiş ve trafik hız sınırlama levhalarına CNN yapısı uygulanmıştır. Çeşitli trafik hız sınırı levha işaretleri modele veri seti olarak verilip eğitildikten sonra modelimiz test olarak verilen resimlerde hız sınırlarını başarılı olarak çizip nesne tanıma işlemini gerçekleştirmiştir.
English-language details
Classification of Traffic Speed Limit Signs Using Deep Learning
Artificial neural networks were frequently used to solve many problems in the field of machine learning. However, during the period also known as the "AI Winter," research in this field came to a standstill due to hardware limitations and other problems. Becoming popular again in the early 2000s, artificial neural networks transitioned from shallow to deep networks with the advancements in GPUs. Deep learning uses backpropagation algorithms in each layer to discover hidden and distinctive features in large datasets. This approach has been successfully used in a wide range of applications, from image processing and natural language processing to medical applications and activity recognition. Convolutional Neural Networks (CNNs) are a type of machine learning where a model learns by directly performing classification tasks from images, videos, texts, or audio, and are one of the most popular algorithms in deep learning. This study primarily discusses convolutional neural networks (CNs), which have gained significant attention in recent years for their high accuracy and speed in solving problems in machine learning areas such as image processing, signal processing, natural language processing, and speech recognition. The structure of these networks is examined, and a CN structure is applied to traffic speed limit signs. After training the model using various traffic speed limit sign datasets, the model successfully drew speed limits and performed object recognition on the test images.
Keywords
Cite this article
İlkılıç Aytaç, Z., İşeri, İ., & Dandıl, B. (2019). Classification of Traffic Speed Limit Signs Using Deep Learning. In 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences (pp. 516–519). SET Technology. https://doi.org/10.36287/setsci.4.6.147
Article History
- Published
- 22 Dec 2019
License
© 2019 SET Technology. This article is distributed under the terms of the CC BY 4.0.