Мониторинг транспортных средств с использованием нейросети
Введение
Высокая плотность городского населения привела к увеличению количества транспорта, а это, в свою очередь, снижает пропускную способность дорожной сети. Поэтому одной из главных задач современного общества является анализ и эффективная организация транспорта.
Сегодня во многих городах существуют удаленные центры управления дорожным движением, однако эффективные решения по оптимизации дорожного движения требуют прогнозов и оценки воздействия на основе состояния всей системы дорожного движения и ряда показателей. В условиях бюджетных ограничений эффективным способом повышения пропускных способностей дорожных сетей является внедрение интеллектуальных транспортных систем (ИТС). ИТС позволяет эффективно управлять и анализировать дорожную инфраструктуру и транспортные операции. Основной задачей исследования транспортных систем является разработка новых методов и стандартов, основанных на современном анализе данных для извлечения информации из существующих коммуникационных сетей [4]
Содержание
Введение 9
1 Технологии мониторинга транспортных средств 11
1.1 Существующие решения 11
1.2 Нейросетевые подходы к решению задач обнаружения объектов 14
1.3 Существующие решения 21
1.4 Существующие решения 22
2 Архитектура и обучение нейронной сети 23
2.1 Постановка задачи 23
2.2 Архитектура нейронной сети 25
2.3 Подготовка данных 29
2.4 Обучение нейронной сети YOLOv3 33
2.5 Метрики качества 35
2.6 Подсчет транспортных средств 38
2.7 Выводы по обучению нейронной сети 39
3 Реализация программы и проверка на тестовом перекрестке 40
3.1 Конфигурация и обучение нейронной сети YOLOv3 40
3.2 Результаты обучения и полученные метрики качества 43
3.3 Алгоритм подсчета транспортных средств 44
3.4 Подсчет транспортных средств в режиме реального времени 45
3.5 Проект «AIMS» 46
3.6 Выводы по реализации программы 47
Заключение 48
Список использованных источников 49
Список использованных источников
Зайченко, В. Машинное обучение против фрода [Электронный ресурс]/ В. Зайченко, М. Земскова – Электрон. Текстовые дан. – М.: [б. и.], 2022. – Режим доступа: https://www.osp.ru/os/2017/02/13052223/. свободный.– Загл. с экрана.
Шолле, Ф. Глубокое обучение на Python [Текст]/ Ф. Шолле. – СПб.: Питер, 2018. – 400 с.
Сурцков, М. Автоэнкодеры в Keras /М. Сурцков [Электронный ре-сурс]/ М. Сурцков. – Электрон. Текстовые дан. – М.: [б. и.], 2020. – Режим доступа: https://habr.com/ru/post/331382/. свободный.– Загл. с экрана.
Радченко, В. Открытый курс машинного обучения. Тема 5. Композиции: бэггинг, случайный лес [Электронный ресурс]/ В. Радченко. – Электрон. Текстовые дан. – М.: [б. и.], 2022. – Режим доступа: https://habr.com/ru/company/ods/blog/324402/. свободный.– Загл. с экрана.
Царьков, С. В. Различные стратегии сэмплинга в условиях несбалан-сированности классов [Электронный ресурс]/ С.В. Царьков. – Электрон. Текстовые дан. – М.: [б. и.], 2021. – Режим доступа: https://basegroup.ru /community/articles/imbalance-datasets. свободный.– Загл. с экрана.
Кибзун, А. И. Теория вероятностей и математическая статистика. Ба-зовый курс с примерами и задачами [Текст]/ А. И. Кибзун, Е. Р. Горяинова. – М.: ФИЗМАЗЛИТ, 2020. – 34 с.
Гасников, А. В. Современные численные методы оптимизации. Метод универсального градиентного спуска [Текст]/ А. В. Гасников. – М.: МФТИ, 2018. – 21с.
Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика [Текст]/ Ф. Уоссермен. - М.: Мир, 2020. – 16 с.
Васильев, А.Н. Принципы и техника нейросетевого моделирования [Текст]/ А. Н. Васильев, Д.А. Тархов. – М.: Наука, 2021. - 535 c.
Галушкин, А. И. Нейрокомпьютеры [Текст]: Учебное пособие/ А.И.Галушкин. – М.: Альянс, 2022. - 528 c. (Учебное пособие).
Круглов, В. В. Искусственные нейронные сети. Теория и практика [Текст]/В.В. Круглов, В.В. Борисов. – М.: Горячая линия - Телеком, 2021. - 382 c.
Круглов, В.В. Голунов Р.Ю. Нечеткая логика и искусст
В процессе обучения YOLOv3 использовался метод обратной передачи ошибки градиентного спуска. Этот метод основан на использовании выходной ошибки нейронной сети для расчета корректирующих весов нейронов скрытого слоя. Алгоритм является итерационным, использует эфемерное обучение, при котором веса изменяются после того, как на вход нейронной сети подается несколько экземпляров обучающего множества, а ошибка является средним значением по всем экземплярам.
Во время каждой итерации нейронная сеть проходит несколько прямых и один обратный проход. Во время прямого прохода входной вектор распространяется от входа сети к выходу, и получается выходной вектор, соответствующий текущему состоянию весов. Затем ошибка нейронной сети рассчитывается как разница между фактическим значением и целевым значением. При возвращении эта ошибка распространяется с выхода сети на вход, и корректировнку веса нейронов.
Этот метод обучения более устойчив к выбросам и провалам в целевой переменной, чем инкрементное обучение, поскольку ошибки усредняются по многим выборкам.
2.4.1 Функции активации
Функция активации алгоритма обратной передачи ошибок должна обладать некоторыми главными свойствами: непрерывностью, дифференцируемостью и монотонным неубыванием