رويكرد يادگيري انتقالي براي شناسايي تابلوهاي ترافيك ايراني در اتومبيل هاي خودران

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

در سال‌ها‌ي اخير با پيشرفت روزافزون هوش مصنوعي و يادگيري ماشين شاهد تحولات بزرگي در زمينه وسايل نقليه و خودرو هاي خودران بوده‌ايم. تشخيص و تفسير تابلو‌هاي ترافيك شهري توسط سيستم‌هاي بينايي ماشين مي‌تواند به عنوان يكي از اصول اوليه وسايل نقليه خودران به بهبود ايمني عمليات رانندگي كمك بسزايي نمايد. تعامل بالا‌ي وسايل نقليه خودران با تابلوهاي ترافيك در طول حركت، ايجاد سيستمي با دقت بالا براي تفسير و تصميم‌گيري بي‌درنگ را چالش برانگيز مي‌كند. در اين پژوهش سيستمي طراحي شده است كه با استفاده از شبكه هاي عصبي پيچشي قادر به بازشناسي تابلوهاي ترافيكي ايراني خواهد بود. ما با استفاده از رويكرد يادگيري انتقالي، مدل خود را با يك مجموعه جديد از تصاوير تابلو‌هاي ترافيك كشور ايران آموزش خواهيم داد كه در شرايطي بهينه به دقت بالايي خواهد رسيد.

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.