Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Ribeiro, Johny Marques Borges
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Uberlândia
Brasil
Programa de Pós-graduação em Ciência da Computação
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Machine Learning
Mapeamento móvel
Deep Learning
Lombadas
Sinais de Trânsito
Computação
Mobile mapping
Speed bumps
Traffic signals
CNPQ::CIENCIAS EXATAS E DA TERRA
Aprendizado do computador
Trânsito - Sinais e sinalização
Link de acesso: https://repositorio.ufu.br/handle/123456789/31314
http://doi.org/10.14393/ufu.di.2021.110
Resumo: Due to recent technological advancements, the cost of advanced driver assistance sys- tems (ADAS) technologies has decreased signiĄcantly, contributing to its widespread adoption in vehicles of all price ranges. In this reality, governments need to maintain traffic signs that compose the road network, since these signs are used as input to the ADAS. This work describes methods for both mapping speed bumps and creating road signs inventories as well. Machine learning techniques and convolutional network archi- tectures are compared for detection and classiĄcation of speed bumps and traffic signs respectively. Results of this work demonstrate the viability of the proposed method, reaching 96% of accuracy in the classiĄcation of speed bumps using Random Forest al- gorithm, and 94% of accuracy in the classiĄcation of traffic signs using Faster RCNN architecture.
id UFU_e5b3da7814093c75f308401d71c81fac
oai_identifier_str oai:repositorio.ufu.br:123456789/31314
network_acronym_str UFU
network_name_str Repositório Institucional da UFU
repository_id_str
spelling Métodos de aprendizado de máquina para inventário de elementos de vias de trânsitoMachine learning methods for Inventory of road traffic elementsMachine LearningMapeamento móvelDeep LearningLombadasSinais de TrânsitoComputaçãoMobile mappingSpeed bumpsTraffic signalsCNPQ::CIENCIAS EXATAS E DA TERRAAprendizado do computadorTrânsito - Sinais e sinalizaçãoDue to recent technological advancements, the cost of advanced driver assistance sys- tems (ADAS) technologies has decreased signiĄcantly, contributing to its widespread adoption in vehicles of all price ranges. In this reality, governments need to maintain traffic signs that compose the road network, since these signs are used as input to the ADAS. This work describes methods for both mapping speed bumps and creating road signs inventories as well. Machine learning techniques and convolutional network archi- tectures are compared for detection and classiĄcation of speed bumps and traffic signs respectively. Results of this work demonstrate the viability of the proposed method, reaching 96% of accuracy in the classiĄcation of speed bumps using Random Forest al- gorithm, and 94% of accuracy in the classiĄcation of traffic signs using Faster RCNN architecture.FAPESP - Fundação de Amparo a Pesquisa do Estado de São PauloDissertação (Mestrado)Com o avanço da tecnologia e o custo das tecnologias dos sistemas avançados de assistência ao condutor (ADAS) diminuindo, a adoção desses sistemas se torna mais popular, onde tanto os carros de luxo como também os carros mais populares já tem acesso a esses sistemas. Nessa realidade, os governos necessitam fazer a manutenibilidade dos sinais de trânsito que compõem a malha rodoviária, uma vez que esse sinais são utilizados como entrada para os ADAS. Este trabalho descreve os métodos tanto para mapeamento de lombadas quanto para criação de inventários dos sinais de trânsito. São comparadas técnicas de aprendizado de máquina e arquiteturas de redes convolucionais para a detecção e classiĄcação de lombadas e sinais de trânsito respectivamente. Os resultados deste trabalho demonstram a viabilidade do método proposto, alcançando 96% de acurácia na classificação de lombadas utilizando o algoritmo Random Forest, e com 94% de acurácia na classiĄcação dos sinais de trânsito utilizando a arquitetura Faster RCNN.Universidade Federal de UberlândiaBrasilPrograma de Pós-graduação em Ciência da ComputaçãoAlves, Raulcézar Maximiano Figueirahttp://lattes.cnpq.br/9271560213358590Souza, Jefferson Rodrigo dehttp://lattes.cnpq.br/1805897404307170Fernandes, Henrique Coelhohttp://lattes.cnpq.br/2439055005598269Pessin, GustavoRibeiro, Johny Marques Borges2021-02-24T16:53:15Z2021-02-24T16:53:15Z2021-02-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfRIBEIRO, Johny Marques Borges. Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito. 2021. 109 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.110.https://repositorio.ufu.br/handle/123456789/31314http://doi.org/10.14393/ufu.di.2021.110porhttp://creativecommons.org/licenses/by/3.0/us/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2021-02-25T06:16:32Zoai:repositorio.ufu.br:123456789/31314Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-02-25T06:16:32Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false
dc.title.none.fl_str_mv Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
Machine learning methods for Inventory of road traffic elements
title Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
spellingShingle Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
Ribeiro, Johny Marques Borges
Machine Learning
Mapeamento móvel
Deep Learning
Lombadas
Sinais de Trânsito
Computação
Mobile mapping
Speed bumps
Traffic signals
CNPQ::CIENCIAS EXATAS E DA TERRA
Aprendizado do computador
Trânsito - Sinais e sinalização
title_short Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
title_full Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
title_fullStr Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
title_full_unstemmed Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
title_sort Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
author Ribeiro, Johny Marques Borges
author_facet Ribeiro, Johny Marques Borges
author_role author
dc.contributor.none.fl_str_mv Alves, Raulcézar Maximiano Figueira
http://lattes.cnpq.br/9271560213358590
Souza, Jefferson Rodrigo de
http://lattes.cnpq.br/1805897404307170
Fernandes, Henrique Coelho
http://lattes.cnpq.br/2439055005598269
Pessin, Gustavo
dc.contributor.author.fl_str_mv Ribeiro, Johny Marques Borges
dc.subject.por.fl_str_mv Machine Learning
Mapeamento móvel
Deep Learning
Lombadas
Sinais de Trânsito
Computação
Mobile mapping
Speed bumps
Traffic signals
CNPQ::CIENCIAS EXATAS E DA TERRA
Aprendizado do computador
Trânsito - Sinais e sinalização
topic Machine Learning
Mapeamento móvel
Deep Learning
Lombadas
Sinais de Trânsito
Computação
Mobile mapping
Speed bumps
Traffic signals
CNPQ::CIENCIAS EXATAS E DA TERRA
Aprendizado do computador
Trânsito - Sinais e sinalização
description Due to recent technological advancements, the cost of advanced driver assistance sys- tems (ADAS) technologies has decreased signiĄcantly, contributing to its widespread adoption in vehicles of all price ranges. In this reality, governments need to maintain traffic signs that compose the road network, since these signs are used as input to the ADAS. This work describes methods for both mapping speed bumps and creating road signs inventories as well. Machine learning techniques and convolutional network archi- tectures are compared for detection and classiĄcation of speed bumps and traffic signs respectively. Results of this work demonstrate the viability of the proposed method, reaching 96% of accuracy in the classiĄcation of speed bumps using Random Forest al- gorithm, and 94% of accuracy in the classiĄcation of traffic signs using Faster RCNN architecture.
publishDate 2021
dc.date.none.fl_str_mv 2021-02-24T16:53:15Z
2021-02-24T16:53:15Z
2021-02-16
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv RIBEIRO, Johny Marques Borges. Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito. 2021. 109 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.110.
https://repositorio.ufu.br/handle/123456789/31314
http://doi.org/10.14393/ufu.di.2021.110
identifier_str_mv RIBEIRO, Johny Marques Borges. Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito. 2021. 109 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.110.
url https://repositorio.ufu.br/handle/123456789/31314
http://doi.org/10.14393/ufu.di.2021.110
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/us/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Uberlândia
Brasil
Programa de Pós-graduação em Ciência da Computação
publisher.none.fl_str_mv Universidade Federal de Uberlândia
Brasil
Programa de Pós-graduação em Ciência da Computação
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFU
instname:Universidade Federal de Uberlândia (UFU)
instacron:UFU
instname_str Universidade Federal de Uberlândia (UFU)
instacron_str UFU
institution UFU
reponame_str Repositório Institucional da UFU
collection Repositório Institucional da UFU
repository.name.fl_str_mv Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)
repository.mail.fl_str_mv diinf@dirbi.ufu.br
_version_ 1827843526528860160

Registros relacionados