Traffic sign classification by deep learning

Abstract

Classification of road signs has been studied for many years and very promising results have been achieved. We present the analysis of used data sets as very limited for real case classification. In this thesis we analyse publicly available data sets and by merging and extending them, we create a wider and more comprehensive data set applicable in the Czech Republic. Finally, we propose a new convolutional neural network architecture and test it along with several preprocessing techniques on the new data set reaching accuracy of over 99%.

Klasifikace dopravních značek je zkoumána již řadu letu a bylo dosáhnuto velmi dobrých výsledků. My předkládáme analýzu používaných datasetů jako velmi omezených na použití v reálných situacích. V této tezi analyzujeme dostupné datasety a jejich sloučením a rozšířením o nová data vytvoříme robustnější a obsáhlejší dataset použitelný v České republice. Následně navrhneme architekturu konvoluční neuronové sítě a spolu s několika technikami předzpracování ji otestujeme na novém datasetu dosahujíc přesnosti přes 99%.