Detección de la señalización de tránsito vertical con redes neuronales convolucionales basadas en bloques residuales

• Autores: Adrián Javier Alarcon Vargas
• Localización: FIDES ET RATIO, ISSN-e 2411-0035, ISSN 2071-081X, Vol. 24, Nº. 24, 2022, págs. 165-194
• Idioma: español
• Títulos paralelos:
  • Detection of vertical traffic signaling with convolutional neural networks based on residual blocks
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen El objetivo del presente trabajo es entrenar una red neuronal capaz de detectar la señalización de tránsito vertical y clasificarla usando bloques residuales. La metodología utilizada para el desarrollo de la red neuronal comprende cuatro fases: definición de la red neuronal, entrenamiento, utilización y mantenimiento de la red neuronal. Para el desarrollo de la red neuronal se cuenta con dos dataseis, el primero es de origen alemán, consta de 50.000 imágenes y es muy usado para la clasificación de señales de tránsito; y el segundo de origen boliviano, que tiene 9.548 imágenes de carretera. El porcentaje de eficacia de la red neuronal nro. 1 con el dataset GTSRB es alto, obteniendo un valor de 94.36%, además incluye valores altos en el reporte de clasificación, caso contrario sucede con el dataset de Bolivia debido a que el dataset está desbalanceado

  • English

    Abstract The objective of the present work is to train a neural network capable of detecting vertical traífic signaling and classify it using residual blocks, as they allow deeper neural networks. The methodology used for the development of the neural network comprises four phases: neural network definition, training, utilization, and maintenance of the neural network. For the development of the neural network there are two datasets, the first is of Germán origin, consists of 50,000 images and is widely used for the classification of traífic signs; and the second of Bolivian origin, which has 9,548 road images. The percentage of eíficiency of the neural network no. 1 with the GTSRB dataset is high, obtaining a valué of 94.36%, it also includes high valúes in the classification report, otherwise, it happens with the Bolivia dataset because the dataset is unbalanced