Top

Published in:

2025 | OriginalPaper | Chapter

27. Bilderkennung von Verkehrszeichen mit Self-Enforcing Networks

Author : Björn Zurmaar

Published in: Neue Algorithmen für praktische Probleme

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Das zuverlässige Erkennen von Verkehrszeichen ist ein essentieller Teilaspekt der verschiedenen Grade des autonomen Fahrens und wird bereits seit einigen Jahrzehnten erforscht. Insbesondere die Tatsache, dass die automatisierte Interpretation von Verkehrszeichen durch Angriffsvektoren manipuliert wird, trägt zur Aktualität und nach wie vor hohen Relevanz dieses Forschungssektors bei. Anhand dieser Domäne zeigt der Beitrag auf, dass auch selbstorganisiert lernende Systeme eine ernstzunehmende Konkurrenz zu den etablierten Deep Learning Verfahren sein können. Es werden die technischen Grundlagen der Klassifikation von Bilddaten mit einem Self-Enforcing Network erörtert, allgemeine Probleme bei der Klassifikation von Bilddaten aufgezeigt, sowie verschiedene Methoden demonstriert, die zur schrittweisen Verbesserung eines SEN Modells beitragen können.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Datenanalyse von Arbeitszeiten aus Bilddateien mit Self-Enforcing Networks

next chapter Homogenitätsprüfung von LED-Lichtleitern durch Neuronale Netzwerke

Schnittstelle zu einer Bibliothek oder Anwendung.

Vektorgrafiken sind weit weniger gebräuchlich und sollen in diesem Beitrag nicht betrachtet werden.

Beim H Kanal muss zudem beachtet werden, dass sich der Winkel im Gegensatz zu den anderen Kanälen zyklisch verhält, da 0° 360° entspricht. Zwar gibt es Konzepte um auch zyklische Attribute mittels eine SENs abzubilden, diese wurden aber noch nicht hinreichend erforscht, um Aussagen über deren Eignung im Kontext von Bilddaten machen zu können.

Die Tatsache, dass nur das L in diesem Modell von dem Problem betroffen ist, basiert auf der zufälligen Generierung des Rauschens. Generiert man die verrauschten Bilder neu, so sind auch andere Buchstaben von dem Problem betroffen, etwa das C, was eine große Schnittmenge mit dem 0 hat.

Die Ergebnisse konnten Dank sehr guten Vorarbeiten von Julian Flieter erzielt werden.

Diese Angaben beziehen sich auf die als Basic Training Set und Validation Set bezeichneten Datensätze. Es gibt einen weiteren Testdatensatz, der später bei der Austragung des Wettbewerbs genutzt wurde. Diese wurde im Rahmen dieser Arbeit nicht verwendet.

Bei der Berechnung der zu erwartenden CCR wurde verkürzend davon ausgegangen, dass die Klassen mit gleicher Häufigkeit im Datensatz vorhanden sind, was aber tatsächlich nicht der Fall ist.

Zwei der Aufnahmen waren durch Bewegungsunschärfe erheblich in ihrer Leserlichkeit eingeschränkt. Eine Aufnahme war so schwach belichtet, dass man sie nur durch die künstliche Erhöhung des Kontrasts in einem Grafikprogramm leserlich machen konnte. Die obere Hälfte des vierten Bilds war durch gleißendes Licht nicht zu erkennen. Auf dem Schild der fünften Aufnahme schließlich war die Höchstgeschwindigkeit stark nach links verrutscht, möglicherweise war die Aufnahme auch perspektivisch verzerrt.

Um eine bessere Erkennbarkeit der Abbildung in der Publikation zu gewährleisten, wurde der Hintergrund mit einem Schachbrettmuster versehen. Dieser ist nicht Teil der eigentlichen Bilddatei.

Zum Einsatz kam ein AMD Ryzen 7 3700X Prozessor, der über 16 GB RAM verfügen konnte. Die SEN Core Library unterstützt den Einsatz von GPUs nicht.

Carion N, Massa F, Synnaeve G, Usunier N, Kirillov AM, Zagoruyko S (2020) End-to-end object detection with transformers. arXiv:2005.12872

Cireşan D, Meier U, Masci J, Schmidhuber, (2012) Multi-column deep neural network for traffic sign classification. Neural Netw Official J Int Neural Netw Soc 32:333–338. https://doi.org/10.1016/j.neunet.2012.02.023CrossRef

Dalal N, Triggs B (2005) Histograms of oriented gradients for human detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego, CA, USA, 2005, 1, 886–893. https://doi.org/10.1109/CVPR.2005.177

Eykholt K, Evtimov I, Fernandes E, Li B, Rahmati A, Xiao C, Prakash A, Kohno T, Song D (2018) Robust physical-world attacks on deep learning visual classification. 2018 IEEE/CVF conference on computer vision and pattern recognition. Salt Lake City, UT 2018:1625–1634. https://doi.org/10.1109/CVPR.2018.00175CrossRef

Jayaprakash A, KeziSelvaVijila C (2019) Feature selection using Ant Colony Optimization (ACO) and Road Sign Detection and Recognition (RSDR) system. Cogn Syst Res 58:123–133. https://doi.org/10.1016/j.cogsys.2019.04.002CrossRef

Klüver J, Klüver C (2011a) Social Understanding. On Hermeneutics, Geometrical Models, and Artificial Intelligence. Springer. Dordrecht (NL)

Klüver C, Klüver J (2011b) IT-Management durch KI-Methoden und andere naturanaloge Verfahren. Vieweg-Teubner, WiesbadenCrossRef

Klüver C, Klüver J, Schmidt J (2012) Modellierung komplexer Prozesse durch naturanaloge Verfahren. Soft Computing und verwandte Techniken. 2., erw. u. aktual. Aufl. Springer Vieweg. Wiesbaden

Klüver C (2016) Self-Enforcing Neworks (SEN) for the development of (medical) diagnosis systems. International Joint Conference on Neural Networks (IJCNN). Proceedings of the IEEE World Congress on Computational Intelligence (IEEE WCCI), Vancouver, 2016, 503–510. https://doi.org/10.1109/IJCNN.2016.7727241

Klüver C, Zurmaar B (2017) Einsatz eines Self-Enforcing Networks zur kontrollierten Modellbildung am Beispiel der Bewertung von Lösungen für Mathematikaufgaben. In: Hoffmann F, Hüllermeier E, Mikut R (Hrsg.) Proceedings. 27. Workshop Computational Intelligence, Dortmund, 23.–24. November 2017. Verlag KIT Scientific Publishing. Karlsruhe 89–101 http://dx.doi.org/ https://doi.org/10.5445/KSP/1000074341

Klüver C, Klüver J (2023) Classification of Subjectively Evaluated Images with Self-Enforcing Networks Using Reference Types, and a Cue Validity Factor. In International Work-Conference on Artificial Neural Networks. Springer Nature Switzerland, Cham, S 340–352

Klüver, C., & Klüver, J. (2024). (eds). Neue Algorithmen für praktische Probleme. Variationen zu Künstlicher Intelligenz und Künstlichem Leben. Springer Vieweg, Wiesbaden

LeCun Y, Haffner P, Bottou L, Bengio Y (1999) Object Recognition with Gradient-Based Learning. In: Shape, contour and grouping in computer vision. lecture notes in computer science (Bd. 1681). Springer, Berlin. https://doi.org/10.1007/3-540-46805-6_19

Stallkamp J, Schlipsing M, Salmen J, Igel C (2012) Man vs. computer: benchmarking machine learning algorithms for traffic sign recognition. Neural Netw 32:323–332. https://doi.org/10.1016/j.neunet.2012.02.016CrossRef

Vennelakanti A, Shreya S, Rajendran R, Sarkar D, Muddegowda D, Hanagal P (2019) Traffic Sign Detection and Recognition using a CNN Ensemble. 2019 IEEE International Conference on Consumer Electronics (ICCE), Las Vegas, NV, USA, 2019, 1–4, https://doi.org/10.1109/ICCE.2019.8662019

Viola P, Jones M. (2001) Rapid object detection using a boosted cascade of simple features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001, Kauai, HI, USA, 2001, S I-I, https://doi.org/10.1109/CVPR.2001.990517

Zhou D-X (2020) Universality of deep convolutional neural networks. Appl Comput Harmon Anal 48(2):787–794. https://doi.org/10.1016/j.acha.2019.06.004MathSciNetCrossRef

Title: Bilderkennung von Verkehrszeichen mit Self-Enforcing Networks
Author: Björn Zurmaar
Publisher: Springer Fachmedien Wiesbaden
Book: Neue Algorithmen für praktische Probleme
Print ISBN: 978-3-658-43318-5

Electronic ISBN: 978-3-658-43319-2

Copyright Year: 2025
DOI: https://doi.org/10.1007/978-3-658-43319-2_27

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"