تحسين عملية التعرف على اشارات المرور باستخدام التعلم العميق باعتماد على شبكة SqueezeNet

اصبح مصطلح الذكاء الصنعي وتعلم الآلة اكثر المواضيع المتداولة في وقتنا الحالي، يساهم هذا البحث بتعليم اساسيات الذكاء الصنعي وتعلم الآلة والشيء الاكثر اهمية ان تعرف ان التعلم العميق يعتمد على تدريب الشبكات العصبية في احد شكلي التدريب باشراف او بدون اشراف. هناك تطبيقات هائلة للتعلم العميق، نركز في هذا البحث على التعرف على حالة اشارة المرور في اي صورة ماخوذة عن طريق تطبيق نيكسار. وكان لابد من الاستعانة ببعض المفاهيم من مجال معالجة الصورة كشرح تدوير الصور وفصل الليل و النهار عن طريق فحص معدل كثافة البكسل [2,3]. جميع الابحاث تركز على دقة النموذج بالتوازي مع حجم النموذج بالميغابايت حيث النموذج الاصغر ياخذ الدرجات الاعلى. ان استخدام عدة نماذج مع بعضها البعض و مقاطعة النتائج يحسن الدقة بشكل جيد، لذا استخدمنا تقنية تجميع النماذج حيث حصلنا على دقة النموذج على عينات الصلاحية كانت 94.83%, بحجم نموذج 7.84 ميغابايت حيث ان دقة النموذج على عينات اختبار نيكسار هي. 94.955% تم الاعتماد على شبكة SqueezeNet كونها تعتمد نماذج اقل اضافة الى امتلاكها نماذج مدربة مسبقا باستخدام Image Net.