CNN-arkkitehtuurien vertailu liikennemerkkien tunnistamisessa autonomisten ajoneuvojen turvallisuusjärjestelmiin

Read full text Summarise with VIRAT
Authors: Arttu Puttonen
Cited by: 0
References: 7

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Tässä opinnäytetyössä tarkastellaan kolmen konvoluutioneuroverkkoarkkitehtuurin, VGG16-, ResNet50- ja MobileNetV3Small-mallien, suorituskykyä liikennemerkkien tunnistustehtävässä. Tutkimuksen tavoitteena oli selvittää, miten CNN-arkkitehtuurit eroavat toisistaan luokittelutarkkuuden, päättelyajan ja laskennallisen tehokkuuden osalta sekä miten nämä erot vaikuttavat niiden soveltuvuuteen autonomisten ajoneuvojen turvallisuusjärjestelmissä. Tutkimuksessa käytettiin German Traffic Sign Recognition Benchmark (GTSRB)-datasettiä, joka sisältää noin 50 000 kuvaa jaoteltuna 43 liikennemerkkiluokkaan. Mallit koulutettiin TensorFlow-kirjaston avulla Docker-ympäristössä hyödyntäen GPU-laskentaa. Mallien suorituskykyä arvioitiin tarkkuuden, parametrimäärän, koulutusajan ja päättelyajan perusteella. Tulosten perusteella VGG16 saavutti korkeimman luokittelutarkkuuden (97,6 %), kun taas ResNet50 ja MobileNetV3Small saavuttivat noin 87–88 % tarkkuuden. MobileNetV3Small oli parametrimäärältään selvästi kevyin malli. Tulokset osoittavat, että mallin valinnassa on huomioitava tarkkuuden ja laskennallisen tehokkuuden välinen tasapaino erityisesti turvallisuuskriittisissä sovelluksissa.

Fields of Study & Subjects

Advanced Neural Network Applications Domain Adaptation and Few-Shot Learning Computer Science and Engineering

Publication details

Journal / source
Theseus (Ammattikorkeakoulujen)
Publication date
1 January 2026
Language
FI
Document type
Thesis