Распознавание объектов в различных погодных условиях

Распознавание объектов - одна из важных частей ИТС. Для решения этой задачи созданы различные методики на основе CNN: R-CNN [1], Fast-RCNN [4], Faster-RCNN [3], SSD [5], YOLO [2].

Время обработки имеет высокое значение для ИТС-систем, поэтому был выбран YOLO-v3. По точности он не является лидером, но этот метод достаточно точен для нашей задачи (его точность сопоставима с точностью SSD) и он в три раза быстрее. Однако у этого метода есть такой недостаток: он плохо работает с небольшими объектами [9].

YOLO-v3 делит изображение на части SxS и предсказывает координаты и достоверность каждого ограничивающего прямоугольника. Классы прогнозируются для каждого ограничивающего прямоугольника.

В YOLO-v3 использована новая структура Darknet-53 для распознавания образов (Рисунок 1).

Рисунок 1. Darknet-53

Этот алгоритм широко используется для распознавания объектов. Исследователи [2], [7], [6] применили YOLO для задачи обнаружения объектов путем устранения негативного влияния погодных условий на качество изображений.

Методы, основанные на CNN, очень эффективны в устранении проблем, связанных с погодными условиями. Несколько современных методов представляют разнообразие подходов и архитектур, которые могут быть построены на основе CNN, и важность их производительности. Основываясь на описании метода и представленных метрических и субъективных результатах, некоторые из изученных сетей были использованы в исследовании.

В [8] предложен метод классификации погоды. Сама по себе классификация погоды является очень сложной задачей, которая обычно решается дорогостоящими методами или малоэффективными методами, обеспечивающими оценку нескольких типов погоды. Для использования сверхточных нейронных сетей и многоклассовых наборов данных для более эффективной и универсальной классификации погоды предназначен метод, предложенный [8].

Исследовательская работа, проделанная авторами в [8], включает обучение векторной машины на 1100 изображениях (70% обучение и 30% тестирование) для каждого из пяти типов погоды (солнечная, туманная, пасмурная, дождливая и снежная). Кроме того, была сравнена эффективность 10 различных методов CNN, и полученное среднее значение было использовано для определения наилучшего. Результаты (Таблица 1) анализа, представленного в статье, показывают значительное превосходство сети ResNet50. Работа доказывает, что ResNet 50 может использоваться не только как средство распознавания изображений, но и как средство распознавания погоды.

Таблица 1.

Сравнение моделей распознавания погоды на основе CNN