論文の概要: Comparing the Machine Readability of Traffic Sign Pictograms in Austria and Germany

• arxiv url: http://arxiv.org/abs/2109.02362v1
• Date: Mon, 6 Sep 2021 11:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:51:33.025153
• Title: Comparing the Machine Readability of Traffic Sign Pictograms in Austria and Germany
• Title（参考訳）: オーストリアとドイツにおける交通標識ピクトグラムの機械可読性の比較
• Authors: Alexander Maletzky, Stefan Thumfart, Christoph Wru{\ss}
• Abstract要約: オーストリアやドイツの交通標識に見られるピクトグラムの機械可読性を比較した。 我々は,現在展開されている2つの国におけるピクトグラムの違いと,人間の可読性を高めるために設計された新しいピクトグラムのセットに焦点を当てた。 機械学習モデルは、訓練されていないピクトグラムデザインのデータセットに対して、十分に一般化されていることがわかった。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We compare the machine readability of pictograms found on Austrian and German traffic signs. To that end, we train classification models on synthetic data sets and evaluate their classification accuracy in a controlled setting. In particular, we focus on differences between currently deployed pictograms in the two countries, and a set of new pictograms designed to increase human readability. Besides other results, we find that machine-learning models generalize poorly to data sets with pictogram designs they have not been trained on. We conclude that manufacturers of advanced driver-assistance systems (ADAS) must take special care to properly address small visual differences between current and newly designed traffic sign pictograms, as well as between pictograms from different countries.
• Abstract（参考訳）: オーストリアとドイツの交通標識に見られるピクトグラムの機械可読性を比較した。 そこで本研究では,合成データセットの分類モデルを訓練し,その分類精度を制御された環境で評価する。 特に、現在2カ国で展開されているピクトグラムと、人間の可読性を高めるために設計された一連の新しいピクトグラムの違いに焦点を当てています。 他の結果に加え、機械学習モデルは、訓練されていないピクトグラムデザインのデータセットによく一般化されている。 先進型運転支援システム(ADAS)のメーカーは、現在および新たに設計された交通標識のピクトグラムと、各国のピクトグラムの小さな視覚的差異に適切に対処するために、特別な注意が必要であると結論付けている。

関連論文リスト

• Encoding Agent Trajectories as Representations with Sequence Transformers [0.4999814847776097]
  本稿では,ニューラルネットワークアーキテクチャを用いた高次元トラジェクトリを表現するモデルを提案する。 言語モデルと同様に、我々のTransformer Sequence for Agent temporal Representation (STARE)モデルは、軌跡データにおける表現と構造を学習することができる。 合成および実軌道データを用いた実験結果から,提案モデルが有意なエンコーディングを学習できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T19:18:47Z)
• Towards Zero-Shot Annotation of the Built Environment with Vision-Language Models (Vision Paper) [8.071443524030302]
  適切な都市交通アプリケーションは、構築された環境の高忠実度デジタル表現を必要とする。 衛星画像から多様な都市特徴を注釈付けするためのメカニズムとして視覚言語モデルを考える。 我々は、最先端のビジョン言語モデルとプロンプト戦略の変種を組み合わせた概念実証を実証する。
  論文  参考訳（メタデータ） (2024-08-01T21:50:23Z)
• 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [54.59279160621111]
  大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。 提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。 本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-31T13:52:36Z)
• Bidimensional Leaderboards: Generate and Evaluate Language Hand in Hand [117.62186420147563]
  リーダーボード, 二次元リーダーボード(ビルボード)の一般化を提案する。 従来の一次元のリーダーボードがシステムに所定の基準でソートするのとは異なり、ビルボードはジェネレータと評価指標の両方を競合するエントリとして受け入れる。 いくつかの異なるメトリクスの線形アンサンブルが、場合によっては既存のメトリクスを独立して大幅に上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-12-08T06:34:58Z)
• Diffusion-Based Representation Learning [65.55681678004038]
  教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。 対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。 同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
  論文  参考訳（メタデータ） (2021-05-29T09:26:02Z)
• Road images augmentation with synthetic traffic signs using neural networks [3.330229314824913]
  まれな交通標識の検出と分類のタスクを検討します。 合成トレーニングデータを用いて、その課題の解決を目指します。 本稿では,合成標識を外観に整合させる3つの手法を提案する。
  論文  参考訳（メタデータ） (2021-01-13T08:10:33Z)
• G-SimCLR : Self-Supervised Contrastive Learning with Guided Projection via Pseudo Labelling [0.8164433158925593]
  コンピュータビジョンにおいて、ディープニューラルネットワークは大量のラベル付きデータを持つ教師付き設定において、より良い性能を発揮することが明らかである。 本研究では, 温度スケールクロスエントロピー(NT-Xent)損失関数の正規化により, 同じカテゴリの画像が同じバッチにない方が有益であることを示す。 我々は、ラベルのないデータセットで訓練された復号化オートエンコーダの潜在空間表現を使用し、それらをk平均でクラスタリングして擬似ラベルを得る。
  論文  参考訳（メタデータ） (2020-09-25T02:25:37Z)
• Overcoming Statistical Shortcuts for Open-ended Visual Counting [54.858754825838865]
  出力ラベルに関係なく、カウントする適切なメカニズムを学習するモデルを開発することを目的としている。 まず,統計的ショートカットに過度に依存するモデルを罰するModifying Count Distributionプロトコルを提案する。 第2に、視覚分析と自然言語質問に基づく数え上げを専門とする空間カウントネットワーク(SCN)を導入する。
  論文  参考訳（メタデータ） (2020-06-17T18:02:01Z)
• Auto-decoding Graphs [91.3755431537592]
  生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。 グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
  論文  参考訳（メタデータ） (2020-06-04T14:23:01Z)
• Towards Accurate Vehicle Behaviour Classification With Multi-Relational Graph Convolutional Networks [22.022759283770377]
  モノクロ画像やビデオから車両の挙動を理解するパイプラインを提案する。 このような符号化の時間シーケンスをリカレントネットワークに供給し、車両の挙動をラベル付けする。 提案するフレームワークは,多様なデータセットに対して,さまざまな車両動作を高い忠実度に分類することができる。
  論文  参考訳（メタデータ） (2020-02-03T14:34:28Z)

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。