Desarrollo de aplicación basada en CNN para algoritmos de visión en coches autónomos

Abstract

Hablar de conducción autónoma es sinónimo de hablar de reconocimiento de imágenes y detección de objetos. En el paradigma actual las redes neuronales convolucionales han emergido como la alternativa más efectiva para emular la visión humana y detectar los objetos de la calzada.

El propósito de este trabajo es evaluar el funcionamiento de algunas de las redes neuronales más actuales empleadas en detección de objetos si fuesen integradas en el dispositivo de reconocimiento de objetos de un coche autónomo. En concreto, el trabajo se centrará en evaluar los siguientes tres puntos relevantes en los dispositivos de detección de objetos: -Precisión -Velocidad de inferencia -Coste energetico

Para ello se llevará a cabo un reentrenamiento de una red neuronal generalista en Darknet para convertirla en una red orientada a conducción autónoma. La posterior evaluación se divide en dos partes: -Precisión: Se evaluará atendiendo a la métrica mAP sobre tres datastes distintos: MS COCO, BDD100K y un pequeño dataset de elaboración propia. -Velocidad de inferencia y coste energético: Serán evaluadas utilizando el kit de herramientas OpenVINO de INtel.

Talking about autonomous driving is synonymous with talking about image recognition and object detection. Nowadays, Convolutional Neural Networks have emerged as the most eficient alternative to emulate human vision and to detect objects around the streets. This project's purpose is to evaluate some of the most popular existing neural networks if they were integrated in an autonomous car. In particular the project will focus in the evaluation of this three relevant measures for a neural network: -Precision -Inference speed -Energy cost To do so, we will retrain a generalist neural network in Darknet in order to turn it into an autonomous-driving-oriented neural network. Afterwards, the evaluation will be divided into two separate parts: -Precision: It will be evaluated attending to mAP over three different data sets: MS COCO, BDD100k and a small self-made data set. -Inference speed and energy cost: They will be evaluated with Intel's OpenVINO toolkit.