| Аннотация |
Проект направлен на разработку и исследование моделей и методов обнаружения и распознавания траекторий движения транспортных средств для моделирования транспортно-коммуникационного пространства города при помощи нейронных сетей глубокого обучения. Целью проекта является создание помехоустойчивых моделей и методов автоматического мониторинга, обнаружения, распознавания и сопровождения разномасштабных движущихся объектов с использованием глубоких нейронных сетей в различных временных, погодных и дорожных условиях для построения имитационных моделей транспортно-коммуникационного пространства города. Актуальность темы обусловлена необходимостью построения адекватных имитационных моделей реальных транспортных потоков городской дорожно-транспортной сети, данные о которых формируются в результате измерения физических характеристик с использованием технологий компьютерного зрения. Основные задачи проекта: повышение ресурсоэффективности моделей автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов при обеспечении заданных показателей точности и скорости на основе разработки метода сжатия глубоких нейронных сетей; сокращение времени и повышение точности обучения глубоких нейронных сетей для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе разработки методов создания условно-реальных данных для расширения обучающих датасетов; повышение качества изображений на основе разработки метода, позволяющего устранить влияние искажений из-за погодных условий на точность обучения глубоких нейронных сетей для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе анализа изображений; повышение интерпретируемости глубоких нейронных сетей на основе разработки метода, позволяющего определить существенные свойства изображений для повышения качества сжатия моделей и аугментации наборов данных; оценка показателей эффективности разработанных методов сжатия глубоких нейронных сетей, расширения наборов данных и повышения качества изображений на основе характеристик точности, объема памяти для хранения параметров модели нейронной сети, времени обучения на исходных и расширенных наборах данных, времени анализа изображений при подготовке данных для имитационных моделей; определение типов транспортных средств, расчет характеристик их движения на основе анализа изображений, и определение статистических профилей потоков в зависимости от времени суток, дня недели, сезона и года на основе разработки имитационных моделей улично-дорожной сети города; статистическая обработка, визуализация и сохранение результатов имитационного моделирования транспортно-коммуникационного пространства города для принятия решений по его оптимизации. Основные предполагаемые (ожидаемые) результаты: метод сжатия глубоких нейронных сетей, отличающийся сокращением слоев и весов на основе показателя отношения скорости и точности, а также представлением вещественных параметров в формате с фиксированной дробной точкой, позволяющий снизить требования к ресурсоэффективности для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе анализа изображений; метод создания условно-реальных данных, отличающийся применением модели глубокого обучения с подкреплением для адаптивного выбора набора преобразований изображений на основе анализа цветовых и текстурных характеристик, позволяющий сократить время и повысить точность обучения глубоких нейронных сетей для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе анализа изображений; метод расширения малых наборов данных, отличающийся применением алгоритмов семантической сегментации для выделения объектов и фонов на размеченных изображениях, позволяющий сократить время и повысить точность обучения глубоких нейронных сетей для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе анализа изображений; метод повышения качества изображений, отличающийся применением генеративных моделей для преобразования изображений, позволяющий устранить влияние искажений из-за погодных условий на точность обучения глубоких нейронных сетей для автоматического мониторинга, обнаружения, распознавания и сопровождения движущихся объектов на основе анализа изображений; метод анализа существенных свойств изображений для извлечения признаков в глубоких нейронных сетях, отличающийся последовательностью преобразований изображений, позволяющий повысить интерпретируемость глубоких нейронных сетей для их сжатия и аугментации наборов данных; исследовательский стенд и результаты статистического анализа результатов экспериментов с его применением, позволяющие оценить показатели разработанных методов сжатия глубоких нейронных сетей, расширения наборов данных и повышения качества изображений; модели улично-дорожной сети города, построенные с применением глубоких нейронных сетей для вычисления типов транспортных средств и характеристик их движения на основе анализа видеоизображений и позволяющие определить статистические профили потоков в зависимости от времени суток, дня недели, сезона и года; методы и средства автоматической генерации имитационных моделей УДС города для последующего использования при организации и управлении дорожным движением в интеллектуальных транспортных системах; стенд (ситуационный центр) для визуализации имитационных моделей транспортно-коммуникационного пространства города, позволяющий получить наглядное представление о характере и интенсивности транспортных потоков; методика имитационного исследования транспортно-коммуникационного пространства города, позволяющие принять решения по его оптимизации – минимизации заторов и времени проезда транспортными средствами.
|
