Traffic sign detection has been tac

Traffic sign detection has been tackled by various approaches such as rule-based method, and hybrid algorithms. Most works extracted region of interest (ROI) with color information and were sensitive to weather or illumination effect to verify the traffic sign [1], [2]. It is challenging to exactly extract ROI regardless of such environmental conditions. For example, the segmentation of traffic signs using color pixel is not working for complex or overlapped scenes and requires additional pre-processing procedure. Also, the previous works tested their approaches on some simple scenes or highways [3], [4]. Recently, there are several detection works using machine learning algorithms instead of the color-based ROI approaches. For example, convolutional neural network [5] and support vector machines have been used for detection over real- world scenes .

ผลลัพธ์ (ไทย) 1:

ตรวจหาเครื่องหมายจราจรได้ถูกแก้ได้ โดยวิธีการต่าง ๆ เช่นวิธีตามกฎ และอัลกอริทึมแบบผสมผสาน งานส่วนใหญ่สกัดน่าสนใจ (ROI) กับข้อมูลสี และมีความไวต่อสภาพอากาศหรือแสงสว่างผลการตรวจสอบเครื่องหมายจราจร [1], [2] มันเป็นความท้าทายตรงแยกร้อยว่าสภาพแวดล้อมดังกล่าว ตัวอย่าง การแบ่งกลุ่มของเครื่องหมายจราจรโดยใช้พิกเซลสีไม่ทำงานสำหรับฉากซับซ้อน หรือเหตุการณ์ และกำหนดขั้นตอนก่อนการประมวลผลเพิ่มเติม ยัง งานก่อนหน้าทดสอบวิธีการบางอย่างฉากหรือหลวง [3], [4] เมื่อเร็ว ๆ นี้ มีงานตรวจสอบหลายที่ใช้อัลกอริทึมการเรียนรู้เครื่องแทนวิธีร้อยตามสี ตัวอย่าง เครือข่ายประสาท convolutional [5] และสนับสนุนเครื่องแบบเวกเตอร์ใช้ตรวจผ่านฉากจริง

ผลลัพธ์ (ไทย) 2:

การตรวจสอบเครื่องหมายจราจรที่ได้รับการจัดการโดยวิธีการต่างๆเช่นวิธีการตามกฎและขั้นตอนวิธีไฮบริด ผลงานส่วนใหญ่สกัดภูมิภาคท​​ี่น่าสนใจ (ROI) ที่มีข้อมูลสีและมีความไวต่อผลกระทบสภาพอากาศหรือแสงในการตรวจสอบเครื่องหมายจราจร [1], [2] มันเป็นสิ่งที่ท้าทายที่จะว่าสารสกัดจากผลตอบแทนการลงทุนโดยไม่คำนึงถึงสภาพแวดล้อมดังกล่าว ตัวอย่างเช่นการแบ่งส่วนของสัญญาณจราจรใช้พิกเซลสีจะไม่ทำงานสำหรับฉากที่ซับซ้อนหรือการซ้อนทับกันและต้องมีขั้นตอนก่อนการประมวลผลเพิ่มเติม นอกจากนี้ผลงานก่อนหน้านี้การทดสอบวิธีการของพวกเขาในบางฉากที่เรียบง่ายหรือทางหลวง [3] [4] เมื่อเร็ว ๆ นี้มีหลายผลงานการตรวจสอบโดยใช้อัลกอริทึมการเรียนรู้เครื่องแทนสีที่ใช้วิธีการที่ผลตอบแทนการลงทุน ตัวอย่างเช่นเครือข่ายประสาทความสับสน [5] และการสนับสนุนเครื่องเวกเตอร์ได้ถูกนำมาใช้สำหรับการตรวจสอบกว่าจริงฉากโลก

ผลลัพธ์ (ไทย) 3:

เข้าสู่ระบบการจราจรการตรวจสอบได้รับการแก้ไขโดยวิธีการต่างๆ เช่น ฐานวิธีการและขั้นตอนวิธีลูกผสม งานที่ 1 ( ROI ) กับข้อมูลสี และมีความไวต่อสภาพอากาศ หรือรัศมีผลการตรวจสอบเข้าสู่ระบบการจราจร [ 1 ] [ 2 ] มันเป็นความท้าทายที่จะตรงแยกร้อยเอ็ดไม่ว่าสภาวะแวดล้อม เช่น ตัวอย่างเช่นการแบ่งส่วนของป้ายสัญญาณจราจรใช้พิกเซล สีไม่ทำงานสำหรับฉากที่ซับซ้อนหรือทับซ้อนกันและต้องการการประมวลผลเพิ่มเติม ขั้นตอน นอกจากนี้ ก่อนหน้างานทดสอบ วิธีการของพวกเขาในบางฉากที่เรียบง่ายหรือทางหลวง [ 3 ] [ 4 ] เมื่อเร็วๆ นี้ มีหลายการตรวจสอบการทํางานโดยใช้อัลกอริทึมการเรียนรู้ของเครื่องจักรแทนสีจากร้อยเอ็ด ใกล้เข้ามาแล้ว ตัวอย่างเช่นขดโครงข่ายประสาทเทียม [ 5 ] และสนับสนุนเครื่องเวกเตอร์ได้ถูกใช้สำหรับการตรวจจับผ่านฉากโลกจริง - .