СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1 Kristian Kovačić, Edouard Ivanjko, Hrvoje Gold. Computer Vision Systems in Road Vehicles: A Review // Труды конференции Croatian Computer Vision Workshop, Zagreb, Croatia, 2013. [Электронный ресурс]. URL: https://www.researchgate.net/publication/257247132_Computer_Vision_Systems_in_Road_Vehicles_A_Review (Дата обращения: 16.12.2017).

2 SAE International. Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles. [Электронный ресурс]. URL: http://standards.sae.org/j3016_201609/ (Дата обращения: 19.12.2017).

3 A. Broggi, A. Fascioli, P. Grisleri, T. Graf, M. Meinecke. Model-based validation approaches and matching techniques for automotive vision based pedestrian detection // Труды конференции IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, USA, 2005. [Электронный ресурс]. URL: http://www.ce.unipr.it/people/broggi/publications/ (Дата обращения: 16.12.2017).

4 M. Bertozzi, E. Binelli, A. Broggi, M. Del Rose. Stereo Vision-based approaches for Pedestrian Detection // Труды конференции IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, USA, 2005. [Электронный ресурс]. URL: http://ieeexplore.ieee.org/document/1565311/ (Дата обращения: 16.12.2017).

5 Wenfeng Xing, Yong Zhao, Ruzhong Cheng, Jiaoyao Xu, Shaoting Lv, and Xinan Wang. Fast Pedestrian Detection Based on Haar Pre-Detection // International Journal of Computer and Communication Engineering. – 2012. – Vol. 1. – № 3. – P. 207-209. [Электронный ресурс]. URL: http://www.ijcce.org/index.php?m=content&c=index&a=show&catid=24&id=53 (Дата обращения: 16.12.2017).

6 Anelia Angelova, Alex Krizhevsky, Vincent Vanhoucke, Abhijit Ogale, Dave Ferguson. Real-Time Pedestrian Detection With Deep Network Cascades // Труды конференции British Machine Vision Conference (BMVC), Swansea, UK, 2015. [Электронный ресурс]. URL: https://static.googleusercontent.com/ media/research.google.com/ru//pubs/archive/43850.pdf (Дата обращения: 16.12.2017).

7 N.A. Mandellos. A background subtraction algorithm for detecting and tracking vehicles // Expert Systems with Applications. – 2011. – Vol. 38. – P. 1619-1631. [Электронный ресурс]. URL: https://www.researchgate.net/publication/ 220215435_A_background_subtraction_algorithm_for_detecting_and_tracking_vehicles (Дата обращения: 16.12.2017).

8 Mejdi Ben Dkhil, Ali Wali, Adel M. Alimi. Towards a Real Time Road Moving Object Detection and Tracking System // Journal of Information Assurance and Security. – 2016. – Vol. 11. – P. 039-047, 2016. [Электронный ресурс]. URL: https://www.researchgate.net/publication/295704675_Towards_a_Real_Time_Road_Moving_Object_Detection_and_Tracking_System (Дата обращения: 16.12.2017).

9 Guo-Wu Yuan, Jian Gong, Mei-Ni Deng, Hao Zhou, Dan Xu. A Moving Objects Detection Algorithm Based on Three-Frame Difference and Sparse Optical Flow // Information Technology Journal. – 2014. – Vol. 13. – P. 1863-1867. [Электронный ресурс]. URL: http://scialert.net/fulltext/?doi= itj.2014.1863.1867&org=11 (Дата обращения: 16.12.2017).

10 C.P. Papageorgiou, T. & Poggio. A Trainable System for Object Detection in Images and Video Sequences // International Journal of Computer Vision. – 2000. – Vol. 1673. – № 1. – P. 15-33. [Электронный ресурс]. URL: http://cbcl.mit.edu/publications/theses/thesis-papageorgiou.pdf (Дата обращения: 16.12.2017).

11 W. Chi-Chen Raxle, J. J. J. Lien. Automatic Vehicle Detection Using Local Features—A Statistical Approach // IEEE Transactions on Intelligent Transportation Systems. – 2008. – Vol. 9. – P. 83-96. [Электронный ресурс]. URL: http://ieeexplore.ieee.org/document/4459098/ (Дата обращения: 16.12.2017).

12 Chin-Teng Lin, Sheng-Chih Hsu, Ja-Fan Lee, Chien-Ting Yang. Boosted Vehicle Detection Using Local and Global Features // Journal of Signal and Information Processing. – 2013. – Vol. 4. – № 3. – P. 243-252. [Электронный ресурс]. URL: http://file.scirp.org/Html/2-3400299_35399.htm (Дата обращения: 16.12.2017).

13 Yoav Freund, Robert E. Schapire. A Short Introduction to Boosting // Journal of Japanese Society for Artificial Intelligence. – 1999. – Vol. 14. – № 5. – P. 771-780. [Электронный ресурс]. URL: http://www.site.uottawa.ca/~stan /csi5387/boost-tut-ppr.pdf (Дата обращения: 16.12.2017).

14 Eshed Ohn-Bar, Mohan Manubhai Trivedi. Learning to Detect Vehicles by Clustering Appearance Patterns // IEEE Transactions on Intelligent Transportation Systems. – 2015. – Vol. 16. – № 5. – P. 2511-2521. URL: http://ieeexplore.ieee.org/document/7065305/ (Дата обращения: 16.12.2017).

15 Brody Huval, Tao Wang, Sameep Tandon, Jeff Kiske, Will Song, Joel Pazhayampallil, Mykhaylo Andriluka, Pranav Rajpurkar, Toki Migimatsu, Royce Cheng-Yue, Fernando Mujica, Adam Coates, Andrew Y. Ng. An Empirical Evaluation of Deep Learning on Highway Driving // ArXiv.org, Cornell University Library, 2015. [Электронный ресурс]. URL: https://arxiv.org/abs/1504.01716 (Дата обращения: 16.12.2017).

16 Pierre Sermanet, David Eigen, Xiang Zhang, Michael Mathieu, Rob Fergus, Yann LeCun. OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks // ArXiv.org, Cornell University Library, 2014. [Электронный ресурс]. URL: https://arxiv.org/abs/1312.6229 (Дата обращения: 16.12.2017).

17 Vavilin Andrey, Kang Hyun Jo. Automatic Detection and Recognition of Traffic Signs using Geometric Structure Analysis // Труды конференции SICE-ICASE, Busan, South Korea, 2006. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/4109196/ (Дата обращения: 10.05.2018).

18 Jack Greenhalgh, Majid Mirmehdi. Real-Time Detection and Recognition of Road Traffic Signs // IEEE Transactions on Intelligent Transportation Systems. – 2012. – Vol. 13. – № 4. – P. 1498-1506. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/6287592/ (Дата обращения: 10.05.2018).

19 Zhe Zhu, Dun Liang, Songhai Zhang, Xiaolei Huang, Baoli Li, Shimin Hu. Traffic-Sign Detection and Classification in the Wild // Труды конференции Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/7780601/ (Дата обращения: 10.05.2018).

20 Ross Girshick. Fast R-CNN // Труды конференции Computer Vision (ICCV), Santiago, Chile, 2015. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/7410526/ (Дата обращения: 10.05.2018).

21 Шахуро В.И., Конушин А.С. Российская база изображений автодорожных знаков // Компьютерная оптика – 2016. – Т. 40. – вып. 2. – С. 294-300. [Электронный ресурс]. URL: https://graphics.cs.msu.ru/ru/node/1339 (Дата обращения: 10.05.2018).

22 Jianming Zhang, Manting Huang, Xiaokang Jin, Xudong Li. A Real-Time Chinese Traffic Sign Detection Algorithm Based on Modified YOLOv2 // Algorithms. – 2017. – Vol. 10. – № 127. – P. 1-13. [Электронный ресурс]. URL: https://www.researchgate.net/publication/321117701_A_Real-Time_Chinese_Traffic_Sign_Detection_Algorithm_Based_on_Modified_YOLOv2 (Дата обращения: 10.05.2018).

23 Joseph Redmon, Ali Farhadi. YOLO9000: Better, Faster, Stronger // ArXiv.org, Cornell University Library, 2016. [Электронный ресурс]. URL: https://arxiv.org/abs/1612.08242 (Дата обращения: 16.12.2017).

24 Karsten Behrendt, Libor Novak, Rami Botros. A deep learning approach to traffic lights: Detection, tracking, and classification // Труды конференции Robotics and Automation (ICRA), Singapore, Singapore, 2017. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/7989163/ (Дата обращения: 10.05.2018).

25 Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // ArXiv.org, Cornell University Library, 2015. [Электронный ресурс]. URL: https://arxiv.org/abs/1506.01497 (Дата обращения: 16.12.2017).

26 Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi. You Only Look Once: Unified, Real-Time Object Detection // Персональный сайт Joseph Chet Redmon, 2015. [Электронный ресурс]. URL: https://pjreddie.com/media/files/papers/yolo.pdf (Дата обращения: 16.12.2017).

27 Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg. SSD: Single Shot MultiBox Detector // ArXiv.org, Cornell University Library, 2015. [Электронный ресурс]. URL: https://arxiv.org/abs/1512.02325 (Дата обращения: 16.12.2017).

28 E.S. Yangqing Jia. Caffe // Berkeley AI Research Lab. [Электронный ресурс]. URL: http://caffe.berkeleyvision.org/. (Дата обращения: 10.05.2018).

29 Torch: a scientific computing framework for luajt. [Электронный ресурс]. URL: http://torch.ch/. (Дата обращения: 10.05.2018).

30 P. L. R. P. J. B. I. G. A. B. N. B. D. W.-F. a. Y. B. F. Bastien. Theano: new features and speed improvement // Dept. IRO, Universite de Montreal, Montreal, Canada, 2012.

31 MathWorks. Matlab. [Электронный ресурс]. URL: https://www.mathworks.com/. (Дата обращения: 10.05.2018]).

32 R.B. Palm. DeepLearningTolbox // Персональная страница Rasmus Berg Palm на GitHub.com. [Электронный ресурс]. URL: https://github.com/rasmusbergpalm/DeepLearnToolbox. (Дата обращения: 10.05.2018).

33 Keras: The Python Deep Learning library. [Электронный ресурс]. URL: https://keras.io/ (Дата обращения: 12.09.2017).

34 TensorFlow: Google's Machine Intelligence research organization. [Электронный ресурс]. URL: https://www.tensorflow.org/. (Дата обращения: 19.03.2018).

35 Hang Yin, Christian Berger. When to use what data set for your self-driving car algorithm: An overview of publicly available driving datasets // Труды конференции IEEE 20th International Conference on Intelligent Transportation, Yokohama, Japan, 2017. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/8317828/ (Дата обращения: 10.05.2018).

36 Caltech Pedestrian Detection Benchmark // Computational Vision at Caltech. [Электронный ресурс]. URL: http://www.vision.caltech.edu/ Image_Datasets/CaltechPedestrians/ (Дата обращения: 24.03.2018).

37 Video Recognition Project // Machine Intelligence Laboratory, University of Cambridge. [Электронный ресурс]. URL: http://mi.eng.cam.ac.uk/research/projects/VideoRec/ (Дата обращения: 24.03.2018).

38 Cityscapes Dataset. [Электронный ресурс]. URL: https://www.cityscapes-dataset.com/ (Дата обращения: 24.03.2018).

39 A deep The German Traffic Sign Detection Benchmark // INI Benchmark Website. [Электронный ресурс]. URL: http://benchmark.ini.rub.de/?section=gtsdb&subsection=news (Дата обращения: 24.03.2018).

40 The KITTI Vision Benchmark Suite: Object Detection Evaluation. [Электронный ресурс]. URL: http://www.cvlibs.net/datasets/ kitti/eval_object.php?obj_benchmark=2d (Дата обращения: 24.03.2018).

41 Annotated Driving Dataset // Персональная страница Udacity на GitHub.com. [Электронный ресурс]. URL: https://github.com/udacity/self-driving-car/tree/master/annotations (Дата обращения: 24.03.2018).

42 LISA Traffic Sign Dataset [Электронный ресурс]. URL: http://cvrr.ucsd.edu/LISA/lisa-traffic-sign-dataset.html (Дата обращения: 24.03.2018).

43 BelgiumTS Dataset [Электронный ресурс]. URL: http://btsd.ethz.ch/shareddata/ (Дата обращения: 24.03.2018).

44 Станкевич Л.А. Конспект лекций по математическим методам искусственного интеллекта. 2016-2017 гг.

45 Sergey Ioffe, Christian Szegedy. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift // ArXiv.org, Cornell University Library, 2015. [Электронный ресурс]. URL: https://arxiv.org/abs/1502.03167 (Дата обращения: 10.12.2017).

46 Чабаненко В.Д. Модификации метода стохастического градиентного спуска для задач машинного обучения с большими объемами данных // Выпускная квалификационная работа, МГУ им. М. В. Ломоносова, факультет вычислительной математики и кибернетики, кафедра математических методов прогнозирования, Москва, 2016.

47 Shunichi Amari. A Theory of Adaptive Pattern Classifiers // IEEE Transactions on Electronic Computers. – 1967. – Vol. EC-16. – № 3. – P. 299-307. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/4039068/ (Дата обращения: 10.12.2017).

48 Ilya Sutskever, James Martens, George Dahl, Geoffrey Hinton. On the importance of initialization and momentum in deep learning // Труды конференции the 30th International Conference on Machine Learning, Atlanta, USA, 2013. [Электронный ресурс]. URL: http://proceedings.mlr.press/v28/sutskever13.html (Дата обращения: 10.12.2017).

49 John C. Duchi, Elad Hazan, Yoram Singer. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2121-2159. [Электронный ресурс]. URL: https://www.researchgate.net/publication/220320677_Adaptive_Subgradient_ Methods_for_Online_Learning_and_Stochastic_Optimization (Дата обращения: 10.12.2017).

50 Tieleman, Tijmen, Geoffrey Hinton. Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude // COURSERA: Neural Networks for Machine Learning, 2012. [Электронный ресурс]. URL: https://www.coursera.org/learn/neural-networks/lecture/YQHki/rmsprop-divide-the-gradient-by-a-running-average-of-its-recent-magnitude (Дата обращения: 10.12.2017).

51 Matthew D. Zeiler. ADADELTA: An adaptive learning rate method // ArXiv.org, Cornell University Library, 2012. [Электронный ресурс]. URL: https://arxiv.org/abs/1212.5701 (Дата обращения: 10.12.2017).

52 Diederik P. Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization // ArXiv.org, Cornell University Library, 2015. [Электронный ресурс]. URL: https://arxiv.org/abs/1412.6980 (Дата обращения: 10.12.2017).

53 Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks for Large-Scale Visual Recognition // Visual Geometry Group, Department of Engineering Science, University of Oxford. [Электронный ресурс] URL: http://www.robots.ox.ac.uk/~vgg/research/very_deep (дата обращения: 12.09.2017).

54 Koray Kavukcuoglu, Pierre Sermanet, Y-Lan Boureau, Yann Lecun. Learning Convolutional Feature Hierarchies for Visual Recognition // Труды конференции 24th Annual Conference on Neural Information Processing Systems, Vancouver, Canada, 2010. [Электронный ресурс]. URL: https://www.researchgate.net/publication/221618859_Learning_Convolutional_Feature_Hierarchies_for_Visual_Recognition (Дата обращения: 10.12.2017).

55 Nvidia TensorRT // Nvidia Developer Website. [Электронный ресурс]. URL: https://developer.nvidia.com/tensorrt (Дата обращения: 12.05.2018).

56 LabelImg // Персональная страница darrenl tzutalin на GitHub.com. [Электронный ресурс]. URL: https://github.com/tzutalin/labelImg (Дата обращения: 24.03.2018).

 

 

Приложение А

Графики точности и полноты для экспериментов 1 – 8

 

Ниже представлены графики точности полноты для экспериментов, описанных в подразделе 4.2. На рисунке А.1 изображен график для эксперимента № 1 из таблицы 5 (целевой класс: 5.19.1), на рисунке А.2 - график для эксперимента № 2 из таблицы 5 (целевые классы: 5.19.1, 2.1), на рисунке А.3 - график для эксперимента № 3 из таблицы 5 (целевые классы: 5.19.1, 2.1, знак), на рисунке А.4 - график для эксперимента № 4 из таблицы 5 (целевой класс: знак ). Рисунки А.5 - А.8 иллюстрируют графики точности и полноты для экспериментов № 5 - 8 из таблицы 5 соответственно, целевые классы для всех экспериментов: 5.19.1, 2.1, знак.

 

Рисунок А.1 – График точности и полноты для эксперимента 1

 

Рисунок А.2 – График точности и полноты для эксперимента 2

 

Рисунок А.3 – График точности и полноты для эксперимента 3

 

Рисунок А.4 – График точности и полноты для эксперимента 3

 

Рисунок А.5 – График точности и полноты для эксперимента 5

Рисунок А.6 – График точности и полноты для эксперимента 6

 

Рисунок А.7 – График точности и полноты для эксперимента 7

 

Рисунок А.8 – График точности и полноты для эксперимента 8