論文の概要: Assessing Car Damage using Mask R-CNN
- arxiv url: http://arxiv.org/abs/2004.14173v3
- Date: Tue, 5 May 2020 03:29:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 13:00:08.974268
- Title: Assessing Car Damage using Mask R-CNN
- Title(参考訳): マスクR-CNNを用いた自動車損傷の評価
- Authors: Sarath P, Soorya M, Shaik Abdul Rahman A, S Suresh Kumar, K Devaki
- Abstract要約: 本稿では,車種分類の一部を細粒度に分類できる車両危害評価の課題について考察する。
この理由から深層学習に基づく手続きを考察する。
実験の結果、移動学習は空間の明示的な微調整よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Picture based vehicle protection handling is a significant region with
enormous degree for mechanization. In this paper we consider the issue of
vehicle harm characterization, where a portion of the classifications can be
fine-granular. We investigate profound learning based procedures for this
reason. At first, we attempt legitimately preparing a CNN. In any case, because
of little arrangement of marked information, it doesn't function admirably. At
that point, we investigate the impact of space explicit pre-preparing followed
by tweaking. At last, we explore different avenues regarding move learning and
outfit learning. Trial results show that move learning works superior to space
explicit tweaking. We accomplish precision of 89.5% with blend of move and
gathering learning.
- Abstract(参考訳): 画像に基づく車両保護処理は、機械化に非常に適した重要な領域である。
本稿では,車両の被害特性について,その分類の一部が細粒化できる問題について考察する。
この理由から深層学習に基づく手続きを考察する。
最初は cnnの準備を 合法的に試みました
いずれにせよ、マークされた情報の配置がほとんどないため、うまく機能しない。
その時点で,空間の明示的な事前準備の影響と微調整について検討する。
最後に、移動学習と服装学習に関するさまざまな道を探る。
実験の結果,空間の明示的な微調整よりも移動学習が優れていることが示された。
移動と学習の混合により89.5%の精度を達成する。
関連論文リスト
- On the Surprising Effectiveness of Attention Transfer for Vision Transformers [118.83572030360843]
従来の知恵は、事前学習型視覚変換器(ViT)が有用な表現を学習することで、下流のパフォーマンスを向上させることを示唆している。
予備学習で学んだ特徴や表現は必須ではない。
論文 参考訳(メタデータ) (2024-11-14T18:59:40Z) - D\'etection de petites cibles par apprentissage profond et crit\`ere a
contrario [0.0]
小型目標検出は、防衛用途において不可欠だが困難な課題である。
本稿では,チャネルアテンションを含むTransUnetのカスタマイズ版を提案する。
そこで我々は,弱い深層学習訓練によって検出された有意な潜在的標的を選択するために,コントラリオ法を探索する。
論文 参考訳(メタデータ) (2022-10-03T08:15:28Z) - Contrastive Learning for OOD in Object detection [0.0]
コントラスト学習は、一般的に自己指導型学習に適用される。
大規模なバッチサイズとメモリバンクは、トレーニングを難しく、遅くしました。
その結果,画像分類とオブジェクト検出において,教師付きコントラスト学習に匹敵する結果が得られた。
論文 参考訳(メタデータ) (2022-08-12T01:51:50Z) - Background-Foreground Segmentation for Interior Sensing in Automotive
Industry [5.249805590164903]
シート占有率の検出と分類は、インテリアセンシングにおいて重要な役割を担っている。
カメラを用いたインテリアセンシングにおける背景背景セグメンテーションが問題となる。
本研究では,画像分割の分野から異なる統計手法を比較し,その問題にアプローチする。
論文 参考訳(メタデータ) (2021-09-20T10:12:40Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳(メタデータ) (2020-09-22T08:25:44Z) - Enhancing Unsupervised Video Representation Learning by Decoupling the
Scene and the Motion [86.56202610716504]
アクションカテゴリは、アクションが発生するシーンと非常に関連しているため、モデルが、シーン情報のみを符号化したソリューションに分解する傾向がある。
本稿では,シーンと動き(DSM)を2つの簡単な操作で分離し,動き情報に対するモデル注意がより高いようにすることを提案する。
論文 参考訳(メタデータ) (2020-09-12T09:54:11Z) - Learning Invariant Representations for Reinforcement Learning without
Reconstruction [98.33235415273562]
本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。
シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。
修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-06-18T17:59:35Z) - Explaining Autonomous Driving by Learning End-to-End Visual Attention [25.09407072098823]
現在のディープラーニングベースの自律運転アプローチは、いくつかの制御されたシナリオにおいて、本番環境へのデプロイも実現している。
最も人気があり魅力的なアプローチの1つは、センサーが認識したデータから直接車両の制御を学習することに依存している。
このアプローチの主な欠点は、他の学習問題と同様に、説明可能性の欠如である。実際、ディープネットワークは、なぜそのような決定を下されたのかを何のフィードバックも与えずに、これまで見られた駆動パターンによって予測を出力するブラックボックスとして機能する。
論文 参考訳(メタデータ) (2020-06-05T10:12:31Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳(メタデータ) (2020-04-01T16:11:04Z) - Learning by Cheating [72.9701333689606]
この難解な学習問題を2段階に分解することで単純化できることを示す。
提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。
提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
論文 参考訳(メタデータ) (2019-12-27T18:59:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。