Please use this identifier to cite or link to this item: http://repositorio.ufes.br/handle/10/6368
Title: Movimentos sacádicos virtuais baseados em VG-RAM na detecção automática de placas de trânsito
metadata.dc.creator: Fontana, Cayo Magno da Cruz
Keywords: Redes neurais (computação);Trânsito - sinais e sinalização;olhos - movimentos;Reconhecimento de padrões;Memória de acesso aleatório;Simetria
Issue Date: 29-Aug-2013
Publisher: Universidade Federal do Espírito Santo
Citation: FONTANA, Cayo Magno da Cruz. Movimentos sacádicos virtuais baseados em VG-RAM na detecção automática de placas de trânsito. 2013. 103 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Espírito Santo, Vitória, 2013.
Abstract: A tarefa de detectar e reconhecer placas de trânsito, em ambientes reais, tem sido amplamente pesquisada nos últimos anos. Recentemente, a quantidade de veículos nas vias urbanas tem crescido exponencialmente. Grandes problemas nestas vias surgiram como consequência deste crescimento. Dados estatísticos da Organização das Nações Unidas (ONU) apontam acidentes de trânsito como uma das principais causas de mortes no planeta. Com o objetivo de auxiliar os condutores na tarefa de detectar e reconhecer placas de trânsito para alertá-los sobre possíveis alterações nas vias, ou até mesmo atuar no controle do carro, apresentaremos nesta dissertação uma abordagem biologicamente inspirada para a detecção de placas de trânsito com base em uma Rede Neural Sem Peso com Generalização Virtual da Memória de Acesso Randômico (Virtual Generalizing Random Access Memory Weightless Neural Network VG-RAM WNN). Redes Neurais sem Peso (RNSP) baseadas em neurônios VG-RAM apresentam um conjunto de eficientes funcionalidades para o aprendizado de máquina, oferecendo uma implementação simples, com treinos e testes rápidos. A arquitetura da nossa RNSP VG-RAM modela o movimento sacádicos dos olhos, e as transformações sofridas pelas imagens capturadas pela retina dos olhos para o colículo superior no cérebro dos mamíferos. Nós avaliamos o desempenho do nosso sistema na detecção de placas de trânsito utilizando como referência um conjunto de placas de trânsito de origem alemã (GTSDB). Utilizando apenas 12 imagens de placas de trânsito para a etapa de treinamento, nosso sistema foi classificado na 16ª posição, em um total de 53 métodos submetidos entre as 18 equipes participantes, para a detecção de placas de trânsito alemão na categoria proibitiva, na Competição Alemã de Placas de Trânsito, etapa do IJCNN 2013. Os resultados experimentais evidenciaram que nossa abordagem é capaz de detectar uma grande variedade de placas de trânsito, de forma confiável e eficiente, utilizando apenas algumas amostras para o treinamento
The task of detecting and recognizing road signs in real environments have been widely researched in recent years. Recently, the number of vehicles on urban roads has grown exponentially. Big problems in these pathways have emerged a result of this growth. Statistics of the United Nations (UN), points traffic accidents as a leading cause of death in the world. With the aim of assisting drivers in the task of detecting and recognizing road signs to alert them about possible changes in the way, or even act to control the car, we present in this dissertation a biologically inspired approach to detect traffic signs based on a Virtual Generalizing Random Access Memory Weightless Neural Networks - VG-RAM WNN. VG-RAM WNN are effective machine learning tools that offer simple implementation and fast training and test. Our VG-RAM WNN architecture models the saccadic eye movement system and the transformations suffered by the images captured by the eyes from the retina to the superior colliculus in the mammalian brain. We evaluated the performance of our VG-RAM WNN system on traffic sign detection using the German Traffic Sign Detection Benchmark (GTSDB). Using only 12 traffic sign images for training, our system was ranked in the 16th position, in the total 53 methods submitted among 18 teams, for the prohibitory category in the German Traffic Sign Detection Competition, part of the IJCNN 2013. Our experimental results showed that our approach is capable of reliably and efficiently detect a large variety of traffic sign categories using a few training samples
URI: http://repositorio.ufes.br/handle/10/6368
Appears in Collections:PPGI - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Cayo Magno da Cruz Fontana.pdf2.86 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.