بازشناسي علائم راهنمايي و رانندگي با استفاده از شبكه عصبي موبايل نت

تشخيص علائم راهنمايي و رانندگي كاربرد‌هاي زيادي از جمله در اتومبيل هاي خودران و بدون راننده، نقشه‌برداري از ترافيك و كاهش تصادفات دارد. اخيرا، مدل‌هاي يادگيري عميق به عنوان روشي كه خود ويژگي‌هاي موثر را پيدا كرده و طبقه‌بندي را نيز انجام مي‌دهد، براي تشخيص علائم راهنمايي و رانندگي استفاده مي‌شوند. در اين مقاله، با استفاده از شبكه عصبي كانولوشنال(CNN)، شبكه موبايل نت(MobileNetV2) كه يك شبكه با تعداد پارامتر‌هاي كمتر و وزن كمتر نسبت به شبكه‌هاي ديگر از جمله الكس نت(AlexNet) و گوگل نت(GoogleNet) مي‌باشد و مجموعه داده علائم راهنمايي و رانندگي كشور آلمان(GTSRB) به عنوان پايگاه داده، روشي براي تشخيص علائم راهنمايي و رانندگي ارائه شده است. شبكه به دقت يادگيري 99.90 درصد و دقت بازشناسي 99.41 درصد رسيده است.