論文の概要: Domain Adaptation with Joint Learning for Generic, Optical Car Part Recognition and Detection Systems (Go-CaRD)

• arxiv url: http://arxiv.org/abs/2006.08521v2
• Date: Mon, 15 Feb 2021 21:23:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 04:52:30.216741
• Title: Domain Adaptation with Joint Learning for Generic, Optical Car Part Recognition and Detection Systems (Go-CaRD)
• Title（参考訳）: 汎用・光カー部品認識・検出システム(Go-CaRD)のための共同学習によるドメイン適応
• Authors: Lukas Stappen, Xinchen Du, Vincent Karas, Stefan M\"uller, Bj\"orn W. Schuller
• Abstract要約: 本稿では,29の内外車領域の分類と局所化のためのディープラーニングアーキテクチャの有効性を定量的に,質的に検討する。 我々の最高のネットワークアーキテクチャは、認識のためのF1スコア93.67 %を達成する一方、最先端のバックボーンネットワークを利用したベストローカライゼーションアプローチは、検出のためのmAPを63.01 %達成する。 MuSe-CAR-Partデータセットは、ビデオにおけるさまざまな人間と車のインタラクション、最高のモデルの重み、そしてコードは、ベンチマークと将来の研究のために学術関係者に公開されています。
• 参考スコア（独自算出の注目度）: 5.544115204165918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Systems for the automatic recognition and detection of automotive parts are crucial in several emerging research areas in the development of intelligent vehicles. They enable, for example, the detection and modelling of interactions between human and the vehicle. In this paper, we quantitatively and qualitatively explore the efficacy of deep learning architectures for the classification and localisation of 29 interior and exterior vehicle regions on three novel datasets. Furthermore, we experiment with joint and transfer learning approaches across datasets and point out potential applications of our systems. Our best network architecture achieves an F1 score of 93.67 % for recognition, while our best localisation approach utilising state-of-the-art backbone networks achieve a mAP of 63.01 % for detection. The MuSe-CAR-Part dataset, which is based on a large variety of human-car interactions in videos, the weights of the best models, and the code is publicly available to academic parties for benchmarking and future research.
• Abstract（参考訳）: 自動車部品の自動認識・検出システムは、インテリジェント自動車の開発において、いくつかの新興研究領域において不可欠である。 それらは例えば、人間と車の間の相互作用の検出とモデリングを可能にする。 本稿では,29の内外車領域を3つの新しいデータセットで分類・局所化するためのディープラーニングアーキテクチャの有効性を定量的に定性的に検討する。 さらに、データセットをまたいだ共同学習と移動学習のアプローチを実験し、システムの潜在的な応用を指摘します。 我々の最高のネットワークアーキテクチャは、認識のためのF1スコア93.67 %を達成する一方、最先端のバックボーンネットワークを利用したベストローカライゼーションアプローチは、検出のためのmAPが63.01 %に達する。 MuSe-CAR-Partデータセットは、ビデオにおけるさまざまな人間と車のインタラクション、最高のモデルの重み、そしてコードは、ベンチマークと将来の研究のために学術関係者に公開されている。

関連論文リスト

• AI Powered Road Network Prediction with Multi-Modal Data [0.9426448361599084]
  本研究では,低解像度衛星画像とGPSトラジェクトリデータの両方を利用する融合戦略を用いて,ディープラーニングを用いた道路自動検出のための革新的なアプローチを提案する。 我々は,早期と後期の融合戦略を厳密に検討し,異なる融合設定を用いて深層学習に基づく道路検出性能を評価する。
  論文  参考訳（メタデータ） (2023-12-28T14:31:07Z)
• The Impact of Different Backbone Architecture on Autonomous Vehicle Dataset [120.08736654413637]
  バックボーンアーキテクチャによって抽出された特徴の質は、全体的な検出性能に大きな影響を与える可能性がある。 本研究は,KITTI,NuScenes,BDDの3つの自律走行車データセットを評価し,対象検出タスクにおける異なるバックボーンアーキテクチャの性能を比較した。
  論文  参考訳（メタデータ） (2023-09-15T17:32:15Z)
• Detection-segmentation convolutional neural network for autonomous vehicle perception [0.0]
  物体検出とセグメンテーションは、自動運転車の認識システムの2つの中核モジュールである。 現在最もよく使われているアルゴリズムはディープニューラルネットワークに基づいており、高い効率性を保証するが、高性能なコンピューティングプラットフォームを必要とする。 ネットワークの複雑さの低減は、適切なアーキテクチャ、表現、コンピューティングプラットフォームを使用することで達成できる。
  論文  参考訳（メタデータ） (2023-06-30T08:54:52Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Vehicle Detection of Multi-source Remote Sensing Data Using Active Fine-tuning Network [26.08837467340853]
  提案するMs-AFtフレームワークは,移動学習,セグメンテーション,アクティブな分類を,自動ラベリングと検出のための統合されたフレームワークに統合する。 提案したMs-AFtは、未ラベルのデータセットから車両のトレーニングセットを最初に生成するために、微調整ネットワークを使用している。 2つのオープンISPRSベンチマークデータセットで実施された大規模な実験結果は、車両検出のための提案されたMs-AFtの優位性と有効性を示している。
  論文  参考訳（メタデータ） (2020-07-16T17:46:46Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)

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。