Résumé:
Il est intéressant de constater que la reconnaissance informatisée des panneaux routières est considérée comme un élément essentiel des systèmes de circulation modernes. L'utilisation de modèles d'apprentissage profond, tels que les réseaux de neurones convolutifs (CNN), a montré des résultats prometteurs dans ce domaine. Dans ce travail, un modèle d'apprentissage profond a été développé pour classer les panneaux routiers en utilisant deux stratégies : un réseau de neurones convolutif et l'apprentissage par transfert. Le modèle a été entraîné sur un ensemble de données de référence de reconnaissance des panneaux de signalisation allemands (GTSRB). Étant donné que l'ensemble de données peut présenter un déséquilibre, une augmentation des données a été effectuée pour améliorer les performances du modèle. Les performances ont été évaluées à l'aide de différentes mesures telles que la matrice de confusion et la précision. Les résultats obtenus sont très encourageants, avec une précision de 99 % atteinte par le modèle CNN proposé. Cela signifie que le modèle est capable de classifier correctement 99 % des panneaux de signalisation dans les 43 classes spécifiques utilisées dans l'étude.
