Siirto-oppiminen liikennemerkkien tunnistuksessa
Virta, Valtteri (2025-05-14)
Siirto-oppiminen liikennemerkkien tunnistuksessa
(14.05.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025051646119
https://urn.fi/URN:NBN:fi-fe2025051646119
Tiivistelmä
Liikennemerkkien tunnistus on keskeinen komponentti autonomisten ajoneuvojen ja älykkäiden kuljetusjärjestelmien turvallisuuden varmistamisessa. Liikenteen turvallisuuden parantaminen ja onnettomuuksien ehkäisy edellyttävät luotettavaa ja tarkkaa liikennemerkkien tunnistamista, mikä tekee aiheesta erittäin ajankohtaisen ja merkityksellisen.
Tässä kandidaatintutkielmassa tarkastellaan siirto-oppimisen hyödyntämistä liikennemerkkien tunnistuksessa ja verrataan sen suorituskykyä perinteisempään suoraan kouluttamiseen. Tutkielmassa selvitetään, miten siirto-oppimisen eri menetelmät, erityisesti hienosäätö ja piirteiden poiminta, vaikuttavat tunnistusjärjestelmän tarkkuuteen verrattuna mallien suoraan kouluttamiseen. Näistä hienosäätö osoittautuu huomattavasti tehokkaammaksi kuin pelkkä piirteiden poiminta, ja siirto-oppimismallit saavat parhaimmillaan mAP50-metriikalla mitattuna jopa 98 % tarkkuuden, kun taas suoraan koulutetut mallit jäävät selvästi heikommiksi. Tulokset kuitenkin vaihtelevat merkittävästi tutkimusten ja tehtävien mukaan. Mallit saavuttavat yleisesti liikennemerkkien luokittelussa huomattavasti parempia tuloksia kuin tunnistettaessa liikennemerkkejä liikenteestä otetuista laajemmista kuvista.
Siirto-oppimisen suurimpana hyötynä havaitaan olevan sen tarvitsema pienempi liikennemerkkiaineiston määrä, sillä mallit hyödyntävät esikoulutuksessa opittuja yleisiä piirteitä. Keskeisiksi haasteiksi tutkielmassa tunnistettaan aineistojen epätasainen luokkajakauma, negatiivinen siirto sekä eri tutkimusten vaihtelevat tulokset. Tulokset kuitenkin korostavat siirto-oppimisen merkittävää roolia ja tarjoavat tärkeän pohjan luotettavien ja tehokkaiden liikennemerkkien tunnistusratkaisujen jatkokehitykselle.
Tässä kandidaatintutkielmassa tarkastellaan siirto-oppimisen hyödyntämistä liikennemerkkien tunnistuksessa ja verrataan sen suorituskykyä perinteisempään suoraan kouluttamiseen. Tutkielmassa selvitetään, miten siirto-oppimisen eri menetelmät, erityisesti hienosäätö ja piirteiden poiminta, vaikuttavat tunnistusjärjestelmän tarkkuuteen verrattuna mallien suoraan kouluttamiseen. Näistä hienosäätö osoittautuu huomattavasti tehokkaammaksi kuin pelkkä piirteiden poiminta, ja siirto-oppimismallit saavat parhaimmillaan mAP50-metriikalla mitattuna jopa 98 % tarkkuuden, kun taas suoraan koulutetut mallit jäävät selvästi heikommiksi. Tulokset kuitenkin vaihtelevat merkittävästi tutkimusten ja tehtävien mukaan. Mallit saavuttavat yleisesti liikennemerkkien luokittelussa huomattavasti parempia tuloksia kuin tunnistettaessa liikennemerkkejä liikenteestä otetuista laajemmista kuvista.
Siirto-oppimisen suurimpana hyötynä havaitaan olevan sen tarvitsema pienempi liikennemerkkiaineiston määrä, sillä mallit hyödyntävät esikoulutuksessa opittuja yleisiä piirteitä. Keskeisiksi haasteiksi tutkielmassa tunnistettaan aineistojen epätasainen luokkajakauma, negatiivinen siirto sekä eri tutkimusten vaihtelevat tulokset. Tulokset kuitenkin korostavat siirto-oppimisen merkittävää roolia ja tarjoavat tärkeän pohjan luotettavien ja tehokkaiden liikennemerkkien tunnistusratkaisujen jatkokehitykselle.