Rozpoznávání typů automobilů pomocí konvolučních neuronových sítí

Abstract

V posledních letech se konvoluční neuronové sítě stávají stále populárnějšími skrz všemi obory. Předtrénované sítě dosahují slibných výsledků při klasifikaci obrázků. Tato práce porovnává výkon klasifikace různých typů automobilů pěti předtrénovaných (Googlenet, Alexnet, Squeezenet, Resnet-50 a DarkNet19) a několika dalších konvolučních neuronových sítí. Pomocí různých webscrapainogvých technik, zahrnující scraping Google obrázků, Bing obrázků, sítě Pinterest a webových inzertních stránek bylo získáno tisíce snímků pro každou kategorii. Empirické výsledky ukazují, že určité sítě mají v této specifické klasifikační úloze lepší výsledky než jiné. Tato práce poskytne kompletní výsledky a podrobnosti o použité metodologii.

In recent years, convolutional neural networks have become increasingly popular in various fields, and pre-trained models have shown promising results in image classification tasks. This contribution compares the performance of five pre-trained (Googlenet, Alexnet, Squeezenet, Resnet-50 and DarkNet19) and several other convolutional neural networks in distinguishing between different car species. Thousands of images per category were obtained from various sources using different web scraping techniques, including Google images, Bing images, Pinterest, second-hand and advertising sites. Our empirical results show that certain models outperform others in this specific classification task. This work will provide complete results and further details on the methodology.