Ethiopian Traffic Sign Recognition Using Customized Convolutional Neural Networks and Transfer Learning
Notice bibliographique
Résumé
Intelligent transportation systems rely greatly on their capacity to identify and recognize traffic signs. Traffic signs are important for modern transportation systems because they keep roads safe and help drivers, especially in areas like Ethiopia where sign designs are unique and diversified. In this study, we presented a convolutional neural network (CNN)–based model for Ethiopian traffic sign recognition (ETSR) purposes. We applied the transfer learning technique to fine‐tune the pretrained models, namely, MobileNet, VGG16, and ResNet50. Both training and model hyperparameters are fine‐tuned, and the 11,000 Ethiopian traffic sign images, which have 156 unique signs, are leveraged to build the new models. Optimizer, batch size, learning rate, and epoch are among the tuned training hyperparameters. All convolutional bases (learning layers) are trained using new weights. We built the fully connected layer of each model from two batch normalization layers and two dense layers. The output layer of the models has 156 units (neurons) with a softmax activation layer. The performances of newly developed models are rigorously compared with those of the base (pretrained) models. The best model was also selected after rigorous experiments. Based on the experiment, we achieved testing accuracy of 97.91%, 93.45%, and 80.18% for fine‐tuned VGG16, MobileNet, and ResNet50, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».