Penerapan arsitektur MobileNet dan algoritma SoftNMS pada Faster R-CNN untuk deteksi pengguna jalan

INDONESIA:

Deteksi kendaraan atau pengguna jalan memiliki peran penting dalam tugas surveillance pada Intelligent Transportation System (ITS). Kecepatan dan akurasi diperhatikan untuk mengembangkan sistem lalu lintas cerdas tersebut. Dengan berkembang pesatnya Convolutional Neural Network (CNN), metode deteksi pengguna jalan berbasis vision telah mencapai peningkatan yang signifikan dibandingkan dengan metode tradisional. Pada tahun 2014, metode Region-based Convolutional Neural Network (R-CNN) muncul sebagai solusi dari masalah yang terjadi pada CNN. Akan tetapi, metode tersebut membutuhkan biaya komputasi tinggi yang menyebabkan proses lama dalam deteksi. Kemudian pada tahun 2015, perbaikan pada metode R-CNN tersebut muncul metode Fast R-CNN. Namun, metode Fast R-CNN belum cukup cepat dalam melakukan deteksi secara realtime. Dari masalah tersebut, pada tahun 2015 dilakukan perubahan pada algoritma pengumpulan region proposal pada Fast R-CNN yang semula selective search menjadi Region Proposal Network (RPN) dan mendapatkan kecepatan deteksi dan akurasi yang lebih baik dari pendahulunya. Metode tersebut adalah Faster R-CNN. Masing-masing kecepatan R-CNN, Fast R-CNN, Faster R-CNN berturut-turut yaitu 50 detik, 2 detik, dan 0,2 detik. Dengan catatan, hardware yang digunakan pada penelitian tersebut menggunakan computer high-end. Pada pengukuran akurasi, keluarga R-CNN mendapat akurasi rata-rata diatas 70%. Dengan kehandalan yang dimiliki Faster R-CNN, penulis membangun sistem deteksi pengguna jalan. Namun, spesifikasi hardware yang lebih rendah yang dimiliki, penulis mengusulkan menggunakan arsitektur yang lebih ringan, yaitu menggunakan MobileNet pada base network dan menggunakan SoftNMS pada algoritma pengurangan duplikasi region proposal. Dari eksperimen yang telah dilakukan menggunakan dataset PascalVOC dan dataset yang diperoleh penulis, tingkat akurasi yang dihasilkan menggunakan metode Faster R-CNN yang diperbarui sebesar 96,84%. Sedangkan kecepatan deteksi yang diperoleh sebesar 0,16 citra/detik.

ENGLISH:

Detection of vehicles or road users has an important role in the surveillance task of the Intelligent Transportation System (ITS). Speed and accuracy are considered to develop such intelligent traffic systems. With the rapid development of Convolutional Neural Network (CNN), vision-based road user detection methods have achieved significant improvements compared to traditional methods. In 2014, the Region-based Convolutional Neural Network (R-CNN) method emerged as a solution to the problems that occurred in CNN. However, this method requires high computational costs which causes a long process of detection. Then in 2015, improvements to the R-CNN method appeared the Fast R-CNN method. However, the Fast R-CNN method is not fast enough to detect in real-time. From this problem, in 2015 changes were made to the regional proposal collection algorithm on Fast R-CNN from selective search to Region Proposal Network (RPN) and got better detection speed and accuracy than its predecessor. The method is Faster R-CNN. The respective speeds of R-CNN, Fast R-CNN, Faster R-CNN are 50 seconds, 2 seconds, and 0.2 seconds, respectively. On a note, the hardware used in this study uses a high-end computer. In measuring accuracy, the R-CNN family gets an average accuracy of above 70%. With the reliability possessed by Faster R-CNN, the authors built a road user detection system. However, due to the lower hardware specifications, the authors propose using a lighter architecture, namely using MobileNet on the base network and using SoftNMS on the proposed region duplication reduction algorithm. From the experiments that have been carried out using the PascalVOC dataset and the dataset obtained by the author, the level of accuracy generated using the updated Faster R-CNN method is 96.84%. While the detection speed obtained is 0.16 images/second.

ARABIC:

يلعب اكتشاف المركبات أو مستخدمي الطريق دورًا مهمًا في مهمة المراقبة لنظام النقل الذكي (ITS). تعتبر السرعة والدقة لتطوير أنظمة المرور الذكية هذه. مع التطور السريع للشبكة العصبية التلافيفية (CNN) ، حققت طرق اكتشاف مستخدمي الطريق القائمة على الرؤية تحسينات كبيرة مقارنة بالطرق التقليدية. في عام 2014 ، ظهرت طريقة الشبكة العصبية التلافيفية (R-CNN) القائمة على المنطقة كحل للمشاكل التي حدثت في شبكة CNN. ومع ذلك ، تتطلب هذه الطريقة تكاليف حسابية عالية مما يؤدي إلى عملية اكتشاف طويلة. ثم في عام 2015 ، ظهرت تحسينات على طريقة R-CNN بطريقة Fast R-CNN. ومع ذلك ، فإن طريقة Fast R-CNN ليست سريعة بما يكفي للكشف عنها في الوقت الفعلي. من هذه المشكلة ، تم إجراء تغييرات في عام 2015 على خوارزمية جمع الاقتراحات الإقليمية على Fast R-CNN من البحث الانتقائي إلى شبكة اقتراح المنطقة (RPN) وحصلت على سرعة ودقة اكتشاف أفضل من سابقتها. الطريقة هي أسرع R-CNN. السرعات الخاصة بكل من R-CNN و Fast R-CNN و Faster R-CNN هي 50 ثانية و 2 ثانية و 0.2 ثانية على التوالي. ملاحظة: الأجهزة المستخدمة في هذه الدراسة تستخدم جهاز كمبيوتر متطور. في قياس الدقة ، تحصل عائلة R-CNN على متوسط دقة أعلى من 70٪. مع الموثوقية التي تمتلكها Faster R-CNN ، بنى المؤلفون نظامًا لاكتشاف مستخدم الطريق. ومع ذلك ، نظرًا لانخفاض مواصفات الأجهزة ، يقترح المؤلفون استخدام بنية أخف ، أي استخدام MobileNet على الشبكة الأساسية واستخدام SoftNMS في خوارزمية تقليل تكرار المنطقة المقترحة. من التجارب التي تم إجراؤها باستخدام مجموعة بيانات PascalVOC ومجموعة البيانات التي حصل عليها المؤلف ، بلغ مستوى الدقة المتولد باستخدام طريقة Faster R-CNN المحدثة 96.84٪. بينما تبلغ سرعة الكشف التي تم الحصول عليها 0.16 صورة / ثانية.