論文の概要: DFR-TSD: A Deep Learning Based Framework for Robust Traffic Sign Detection Under Challenging Weather Conditions

• arxiv url: http://arxiv.org/abs/2006.02578v1
• Date: Wed, 3 Jun 2020 23:12:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 18:04:47.303397
• Title: DFR-TSD: A Deep Learning Based Framework for Robust Traffic Sign Detection Under Challenging Weather Conditions
• Title（参考訳）: 気象条件下でのロバスト交通信号検出のためのディープラーニングフレームワークDFR-TSD
• Authors: Sabbir Ahmed, Uday Kamal, Md. Kamrul Hasan
• Abstract要約: 本稿では,事前拡張によるCNNに基づく交通信号認識フレームワークを提案する。 提案手法は, 精度が 7.58%, 精度が 35.90% 向上した 91.1% と 70.71% の総合的精度とリコールが得られることを示した。
• 参考スコア（独自算出の注目度）: 4.0075294089613465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust traffic sign detection and recognition (TSDR) is of paramount importance for the successful realization of autonomous vehicle technology. The importance of this task has led to a vast amount of research efforts and many promising methods have been proposed in the existing literature. However, the SOTA (SOTA) methods have been evaluated on clean and challenge-free datasets and overlooked the performance deterioration associated with different challenging conditions (CCs) that obscure the traffic images captured in the wild. In this paper, we look at the TSDR problem under CCs and focus on the performance degradation associated with them. To overcome this, we propose a Convolutional Neural Network (CNN) based TSDR framework with prior enhancement. Our modular approach consists of a CNN-based challenge classifier, Enhance-Net, an encoder-decoder CNN architecture for image enhancement, and two separate CNN architectures for sign-detection and classification. We propose a novel training pipeline for Enhance-Net that focuses on the enhancement of the traffic sign regions (instead of the whole image) in the challenging images subject to their accurate detection. We used CURE-TSD dataset consisting of traffic videos captured under different CCs to evaluate the efficacy of our approach. We experimentally show that our method obtains an overall precision and recall of 91.1% and 70.71% that is 7.58% and 35.90% improvement in precision and recall, respectively, compared to the current benchmark. Furthermore, we compare our approach with SOTA object detection networks, Faster-RCNN and R-FCN, and show that our approach outperforms them by a large margin.
• Abstract（参考訳）: ロバスト信号の検出と認識(TSDR)は、自動運転車技術の実現に成功するための最重要課題である。 この課題の重要性は膨大な研究努力につながり、既存の文献では多くの有望な方法が提案されている。 しかし、SOTA(SOTA)手法は、クリーンでチャレンジフリーなデータセットで評価され、野生で捉えたトラフィックイメージを隠蔽する異なる困難条件(CC)に関連した性能劣化を見逃した。 本稿では,CCにおけるTSDR問題について考察し,それに伴う性能劣化に着目した。 これを解決するために、事前拡張を伴う畳み込みニューラルネットワーク(CNN)ベースのTSDRフレームワークを提案する。 我々のモジュラーアプローチは、CNNベースのチャレンジ分類器、Enhance-Net、画像強調のためのエンコーダデコーダCNNアーキテクチャ、署名検出と分類のための2つのCNNアーキテクチャからなる。 そこで本研究では,トラヒックサイン領域(画像全体ではなく)の精度向上に焦点をあてたエンハンスネットのための新しいトレーニングパイプラインを提案する。 提案手法の有効性を評価するために,異なるCC下で撮影されたトラフィックビデオからなるCURE-TSDデータセットを使用した。 本手法は,現在のベンチマークと比較し,総精度が91.1%,リコール率70.71%,精度が7.58%,リコール率が35.90%向上することを実験的に示した。 さらに,本手法とSOTAオブジェクト検出ネットワーク,Faster-RCNN,R-FCNとの比較により,提案手法が大きなマージンで優れていることを示す。

関連論文リスト

• CCSPNet-Joint: Efficient Joint Training Method for Traffic Sign Detection Under Extreme Conditions [3.6190463374643795]
  CCSPNetはContextual TransformerとCNNをベースにした効率的な特徴抽出モジュールである。 データ効率と一般化を改善するための共同トレーニングモデルCCSPNet-Jointを提案する。 実験により,CCSPNetは極端条件下での交通標識検出において最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2023-09-13T12:00:33Z)
• BCSSN: Bi-direction Compact Spatial Separable Network for Collision Avoidance in Autonomous Driving [4.392212820170972]
  ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。 ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。 そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-12T17:35:57Z)
• Semantic Communication Enabling Robust Edge Intelligence for Time-Critical IoT Applications [87.05763097471487]
  本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。 本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
  論文  参考訳（メタデータ） (2022-11-24T20:13:17Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
  本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。 最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
  論文  参考訳（メタデータ） (2022-02-02T13:09:27Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)
• LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery [43.91170581467171]
  最先端の物体検出手法は、大規模な空中画像において、任意の向きの密集した小さなターゲットを検出するのに困難である。 本稿では,航空画像における車両検出のための新しい2段階アプローチとして,地域認識型地域畳み込みニューラルネットワーク(LR-CNN)を提案する。
  論文  参考訳（メタデータ） (2020-05-28T19:57:34Z)

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。