論文の概要: Fine-Grained Vehicle Classification in Urban Traffic Scenes using Deep
Learning
- arxiv url: http://arxiv.org/abs/2111.09403v1
- Date: Wed, 17 Nov 2021 21:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 14:20:54.700683
- Title: Fine-Grained Vehicle Classification in Urban Traffic Scenes using Deep
Learning
- Title（参考訳）: 深層学習による都市交通シーンの細粒度車両分類
- Authors: Syeda Aneeba Najeeb, Rana Hammad Raza, Adeel Yusuf, Zamra Sultan
- Abstract要約: きめ細かい車種分類は、粗い車種分類に比べて難しい課題である。
既存の車両製造・モデル認識システム(VMMR)は、同期および制御された交通条件に基づいて開発されている。
複雑・都市・異質・非同期の交通条件における堅牢なVMMRの必要性は、まだオープンな研究領域のままである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The increasingly dense traffic is becoming a challenge in our local settings,
urging the need for a better traffic monitoring and management system.
Fine-grained vehicle classification appears to be a challenging task as
compared to vehicle coarse classification. Exploring a robust approach for
vehicle detection and classification into fine-grained categories is therefore
essentially required. Existing Vehicle Make and Model Recognition (VMMR)
systems have been developed on synchronized and controlled traffic conditions.
Need for robust VMMR in complex, urban, heterogeneous, and unsynchronized
traffic conditions still remain an open research area. In this paper, vehicle
detection and fine-grained classification are addressed using deep learning. To
perform fine-grained classification with related complexities, local dataset
THS-10 having high intra-class and low interclass variation is exclusively
prepared. The dataset consists of 4250 vehicle images of 10 vehicle models,
i.e., Honda City, Honda Civic, Suzuki Alto, Suzuki Bolan, Suzuki Cultus, Suzuki
Mehran, Suzuki Ravi, Suzuki Swift, Suzuki Wagon R and Toyota Corolla. This
dataset is available online. Two approaches have been explored and analyzed for
classification of vehicles i.e, fine-tuning, and feature extraction from deep
neural networks. A comparative study is performed, and it is demonstrated that
simpler approaches can produce good results in local environment to deal with
complex issues such as dense occlusion and lane departures. Hence reducing
computational load and time, e.g. fine-tuning Inception-v3 produced highest
accuracy of 97.4% with lowest misclassification rate of 2.08%. Fine-tuning
MobileNet-v2 and ResNet-18 produced 96.8% and 95.7% accuracies, respectively.
Extracting features from fc6 layer of AlexNet produces an accuracy of 93.5%
with a misclassification rate of 6.5%.
- Abstract（参考訳）: ますます密集したトラフィックは、私たちのローカル設定において課題となり、より良いトラフィック監視と管理システムの必要性を訴えている。
細粒度の車両分類は、車両の粗い分類と比較すると難しい課題であると思われる。
そのため、車両検出と細粒度分類のための堅牢なアプローチの探索が不可欠である。
既存の車両製造・モデル認識システム(VMMR)は、同期および制御された交通条件に基づいて開発されている。
複雑・都市・異質・非同期の交通条件における堅牢なVMMRの必要性は、まだオープンな研究領域のままである。
本稿では,深層学習を用いて車両検出と細粒度分類を行う。
関連複雑さを伴うきめ細かい分類を行うため、クラス内およびクラス間変動の少ないローカルデータセットTHS-10を専用に作成する。
データセットは、ホンダシティ、ホンダシビック、スズキアルト、スズキボラン、スズキカルト、スズキメヘラン、スズキラビ、スズキスウィフト、スズキワゴンr、トヨタコローラの4250台の車両イメージで構成されている。
このデータセットはオンラインで利用可能だ。
ディープニューラルネットワークから車両の分類、微調整、特徴抽出のための2つのアプローチが検討され分析されている。
比較研究を行い,より単純な手法が局所環境において,濃密な咬合や車線離脱といった複雑な問題に対処できることを示す。
したがって計算負荷と時間の削減、例えば微調整インセプションv3は最大精度97.4%、最小の誤分類率は2.08%であった。
微調整されたMobileNet-v2とResNet-18はそれぞれ96.8%と95.7%の精度を生み出した。
AlexNetのfc6層から抽出した特徴は93.5%の精度で、誤分類率は6.5%である。
関連論文リスト
- DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。
本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。
このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
論文 参考訳（メタデータ） (2024-11-13T04:49:32Z) - Benchmarking Local Robustness of High-Accuracy Binary Neural Networks
for Enhanced Traffic Sign Recognition [0.0]
本稿では,最先端の検証ツールに挑戦するレイヤを特徴とするベンチマーク問題を紹介する。
検証問題の難しさは、多数のネットワークパラメータによって与えられる。
論文 参考訳（メタデータ） (2023-09-25T01:17:14Z) - A Comparative Analysis of Machine Learning Methods for Lane Change
Intention Recognition Using Vehicle Trajectory Data [0.0]
車線変更予測は、自動運転車が周囲の環境をよりよく理解し、潜在的な安全リスクを認識し、交通安全を改善するのに役立つ。
本稿では,LCプロセスに着目し,異なる機械学習手法の性能を比較し,高次元時系列データからLC意図を認識する。
LC意図認識では,分類精度の98%で,アンサンブル法はII型,III型の分類誤差の影響を低減している。
論文 参考訳（メタデータ） (2023-07-28T15:32:14Z) - Dense-TNT: Efficient Vehicle Type Classification Neural Network Using
Satellite Imagery [16.025849552108983]
本研究では,車種分類のための新しいDensely Connected Convolutional Network(DenseNet)フレームワークを提案する。
認識能力評価のために3つの地域車両データと4つの異なる気象条件を配置する。
実験により,重霧条件下においても,崩壊の少ない車両分類モデルの認識能力が検証された。
論文 参考訳（メタデータ） (2022-09-27T16:17:53Z) - The AI Mechanic: Acoustic Vehicle Characterization Neural Networks [1.8275108630751837]
我々は,モバイルデバイスから取得した音声を用いて,音響車両の特徴的深層学習システムであるAIメカニックを紹介する。
我々は、故障検出を強化するために車両特性を予測し、カスケードする畳み込みニューラルネットワークを構築している。
我々のカスケーディングアーキテクチャは、さらに93.6%の検証と86.8%のテストセットの正確さを達成し、16.4%/7.8%と4.2%/1.5%のマージンを示した。
論文 参考訳（メタデータ） (2022-05-19T16:29:26Z) - Attention-based Neural Network for Driving Environment Complexity
Perception [123.93460670568554]
本稿では,周囲の運転環境の複雑さを予測するための,注目に基づく新しいニューラルネットワークモデルを提案する。
Yolo-v3オブジェクト検出アルゴリズム、ヒートマップ生成アルゴリズム、CNNベースの特徴抽出器、注目ベースの特徴抽出器で構成される。
提案するアテンションベースネットワークは,周囲環境の複雑さを分類する平均分類精度91.22%を達成している。
論文 参考訳（メタデータ） (2021-06-21T17:27:11Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - 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) - VehicleNet: Learning Robust Visual Representation for Vehicle
Re-identification [116.1587709521173]
我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。
VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。
AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
論文 参考訳（メタデータ） (2020-04-14T05:06:38Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。