Red de aprendizaje profundo para el reconocimiento e identificación de señales de tráfico

Abstract

Los sistemas de detección y reconocimiento de señales de tráfico (TSDR) constituyen una parte importante en el mantenimiento de viales, así como en el sector de la conducción de vehículos no tripulados (UVD) y en los sistemas avanzados de asistencia a la conducción (ADAS). Estos sistemas pueden construirse empleando diferentes técnicas de visión arti ficial, en la actualidad los métodos más populares se basan en el uso de redes neuronales profundas (DNN). Estas redes han probado ser muy fiables cuando se entrenan utilizando grandes bases de datos, aunque en función de la tipología de red utilizada puede obtenerse una amplia variedad de rendimientos. Frente a las implementaciones habituales de las DNNs basadas en coma flotante ejecután dose sobre potentes computadoras, los diseños basados en hardware especifico resultan en implementaciones de bajo consumo que además presentan costes competitivos cuando se fabrican a gran escala. Sin embargo, para obtener implementaciones de hardware factibles, estas redes deben simplificarse previamente, lo cual se puede lograr reduciendo el tamaño de la red o la precisión de los datos. En este trabajo se recogen todos los pasos llevados a cabo para el diseño de dos redes neu ronales profundas capaces de identificar y clasificar los tipos de señales de tráfico comunes, presentando un tamaño reducido y resultando ser fácilmente implementables en hardware específico