Optymalizacja architektury modeli detekcji defektów nawierzchni drogowej bazujących na sztucznych sieciach neuronowych w celu zwiększenia dokładności predykcji przy jednoczesnym zmniejszeniu zapotrzebowania na moc obliczeniową

Środki finansowe przyznane przez Narodowe Centrum Nauki na realizację działania naukowego
Miniatura 8

Tytuł projektu: Optymalizacja architektury modeli detekcji defektów nawierzchni drogowej bazujących na sztucznych sieciach neuronowych w celu zwiększenia dokładności predykcji przy jednoczesnym zmniejszeniu zapotrzebowania na moc obliczeniową

Tytuł w j. angielskim: Optimization of the architecture of road defect detection models based on artificial neural networks to increase prediction accuracy while reducing computing power requirements

Numer decyzji: DEC-2024/08/X/ST6/00610

Okres realizacji: 09.2024 - 09.2025

Wartość przyznanych środków: 11.055,00 PLN

Wartość projektu: 11.055,00 PLN

Kierownik działania naukowego: dr inż. Paweł Rafał Tomiło

Streszczenie: 

Działanie naukowe ma na celu optymalizację lub stworzenie architektury modelu sztucznej sieci neuronowej, której zadaniem jest detekcja obiektów. Na przestrzeni ostatnich lat rozwój algorytmów sztucznej inteligencji pozwolił na znaczący postęp w dziedzinie detekcji obiektów, co znajduje zastosowanie w wielu obszarach życia, od przemysłu po medycynę. Poprzez wykorzystanie zaawansowanych technik uczenia maszynowego, takich jak głębokie uczenie, możliwe stało się stworzenie modeli sieci neuronowych zdolnych do precyzyjnego identyfikowania i lokalizowania obiektów na obrazach czy w strumieniach wideo. Dzięki temu, obecnie możemy obserwować coraz większą skuteczność w automatycznym rozpoznawaniu twarzy, pojazdów czy innych obiektów, co znajduje zastosowanie w systemach monitoringu, bezpieczeństwa publicznego czy w samochodach autonomicznych. Dodatkowo, rozwój architektur sieci neuronowych umożliwia wydajniejsze przetwarzanie danych i redukcję kosztów obliczeniowych, co sprawia, że technologie oparte na sztucznej inteligencji stają się coraz bardziej dostępne i powszechne w różnych dziedzinach życia. Głównym celem działania naukowego jest opracowanie zoptymalizowanej architektury sieci neuronowej, która będzie charakteryzować się większą dokładnością i mniejszym zapotrzebowaniem na moc obliczeniową poprzez zastosowanie m.in. takich warstw jak: LSK, Involution czy zmiana architektury backbone
oraz neck w modelach detekcji. Opracowanie zoptymalizowanej architektury sieci neuronowej może wymagać przeprowadzenia wielu eksperymentów oraz analizy różnych czynników wpływających na skuteczność modelu, takich jak rodzaj danych treningowych, wielkość sieci, sposób regularyzacji czy techniki optymalizacji. Ponadto, zrozumienie mechanizmów działania poszczególnych warstw sieci oraz odpowiednie dostosowanie ich parametrów są kluczowe dla osiągnięcia pożądanych rezultatów. Poprzez systematyczne badania i iteracyjny proces doskonalenia, w działaniu naukowym będę dążyć do stworzenia modelu detekcji obiektów, który będzie nie tylko skuteczny, a także będzie efektywny w warunkach ograniczonych zasobów obliczeniowych – minikomputer jednopłytkowy.
Działanie zostanie zrealizowane i przetestowane na publicznych zestawach danych, co pozwoli na obiektywną ocenę skuteczności opracowanej architektury sieci neuronowej. Korzystanie z publicznych zbiorów danych umożliwia porównanie wyników z innymi modelami oraz zapewnia transparentność i reprodukcyjność eksperymentów.
Głównymi czynnościami prowadzącymi do realizacji wnioskowanego działania naukowego są:
• Przegląd literatury odnośnie warstw i sposobów optymalizacji architektury modeli sztucznych sieci neuronowych przeznaczonych do detekcji obiektów;
• Opracowanie architektury, która przy mniejszej liczbie parametrów względem modelu bazowego jest w stanie osiągnąć taką samą lub większą dokładność na wybranym zestawie danych. Głównym założeniem samej architektury jest możliwie jak najmniejsza liczba parametrów dlatego też do porównania posłużą najmniejsze warianty modeli. Opracowany optymalny model zostanie przetestowany pod kątem detekcji defektów w nawierzchni drogowej, podczas eksperymentu - przejazdu, sprawdzone zostaną jego zdolności do wnioskowania w czasie rzeczywistym oraz sama dokładność predykcji.
• Porównanie opracowanej architektury z innymi architekturami modeli sieci neuronowych;
• Przetestowanie działania modelu na urządzeniach o ograniczonej mocy obliczeniowej. Najmniejsze warianty modeli zostały wybrane ze względu na docelowe zastosowanie w urządzeniach typu minikomputer jednoukładowy.
• Stworzenie publicznego zestawu danych zdjęć nawierzchni drogowej wraz z anotacjami, który zostanie udostępniony w publicznym repozytorium.
• Publikacja wyników badań w czasopiśmie naukowym.