Glubokoe obuchenie imeet mesto, osobenno s bystrym rostom i dostupnost'ü bol'shih baz dannyh i nedawnimi uluchsheniqmi w graficheskih processorah (GPU). Osnownoj cel'ü dannogo issledowaniq qwlqetsq primenenie algoritmow glubokogo obucheniq, takih kak konwolücionnye nejronnye seti (CNN) i glubokie arhitektury, w chastnosti glubokaq model' VGG-16 dlq kategorizacii i lokalizacii transportnyh sredstw w dorozhnyh scenah. V dannoj dissertacii my pokazhem, chto s pomosch'ü optimizacii parametrow i prostoj modifikacii algoritma my mozhem uluchshit', dazhe otnositel'no, robastnost' konkretnoj seti Faster R-CNN w obnaruzhenii transportnyh sredstw i poluchit' luchshie rezul'taty na osnowe razlichnyh baz dannyh (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square i Logiroad).