Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Traffic Sign classification using Deep Learning

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140841" target="_blank" >RIV/00216305:26220/21:PU140841 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Traffic Sign classification using Deep Learning

  • Popis výsledku v původním jazyce

    The thesis focuses on the classification of traffic signs in images and video sequences. The goal is real-time processing and usage of software in the vehicle. Neural networks and the Python programming language were chosen to solve the problem. To solve the problem a machine learning method was chosen, more precisely a convolutional neural network. A neural network in the Python programming language was created for the classification of traffic signs, using the Keras and Tensorflow libraries. The neural network architecture is chosen for optimization for use on a single-board computer with limited performance.

  • Název v anglickém jazyce

    Traffic Sign classification using Deep Learning

  • Popis výsledku anglicky

    The thesis focuses on the classification of traffic signs in images and video sequences. The goal is real-time processing and usage of software in the vehicle. Neural networks and the Python programming language were chosen to solve the problem. To solve the problem a machine learning method was chosen, more precisely a convolutional neural network. A neural network in the Python programming language was created for the classification of traffic signs, using the Keras and Tensorflow libraries. The neural network architecture is chosen for optimization for use on a single-board computer with limited performance.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    20202 - Communication engineering and systems

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů