論文の概要: Improved YOLOv5 network for real-time multi-scale traffic sign detection
- arxiv url: http://arxiv.org/abs/2112.08782v1
- Date: Thu, 16 Dec 2021 11:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 15:00:32.797143
- Title: Improved YOLOv5 network for real-time multi-scale traffic sign detection
- Title(参考訳): リアルタイムマルチスケール信号検出のためのYOLOv5ネットワークの改良
- Authors: Junfan Wang, Yi Chen, Mingyu Gao, and Zhekang Dong
- Abstract要約: 本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。
YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
- 参考スコア(独自算出の注目度): 4.5598087061051755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic sign detection is a challenging task for the unmanned driving system,
especially for the detection of multi-scale targets and the real-time problem
of detection. In the traffic sign detection process, the scale of the targets
changes greatly, which will have a certain impact on the detection accuracy.
Feature pyramid is widely used to solve this problem but it might break the
feature consistency across different scales of traffic signs. Moreover, in
practical application, it is difficult for common methods to improve the
detection accuracy of multi-scale traffic signs while ensuring real-time
detection. In this paper, we propose an improved feature pyramid model, named
AF-FPN, which utilizes the adaptive attention module (AAM) and feature
enhancement module (FEM) to reduce the information loss in the process of
feature map generation and enhance the representation ability of the feature
pyramid. We replaced the original feature pyramid network in YOLOv5 with
AF-FPN, which improves the detection performance for multi-scale targets of the
YOLOv5 network under the premise of ensuring real-time detection. Furthermore,
a new automatic learning data augmentation method is proposed to enrich the
dataset and improve the robustness of the model to make it more suitable for
practical scenarios. Extensive experimental results on the Tsinghua-Tencent
100K (TT100K) dataset demonstrate the effectiveness and superiority of the
proposed method when compared with several state-of-the-art methods.
- Abstract(参考訳): 交通標識検出は、無人運転システムにおいて、特にマルチスケール目標の検出とリアルタイム検出問題において、困難な課題である。
信号機検出プロセスでは、目標の規模が大きく変化し、検出精度に一定の影響を及ぼす。
フィーチャーピラミッドはこの問題を解決するために広く使われているが、さまざまなトラフィックサインのスケールで機能一貫性を損なう可能性がある。
さらに,実運用では,実時間検出を確実にしながら,マルチスケール交通信号の検出精度を向上させる方法が一般的である。
本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を用いて,特徴マップ生成の過程での情報損失を低減し,特徴ピラミッドの表現能力を向上する機能ピラミッドモデル AF-FPN を提案する。
我々は、yolov5の本来の機能ピラミッドネットワークをaf-fpnに置き換え、リアルタイム検出の前提下で、yolov5ネットワークのマルチスケールターゲットの検出性能を改善した。
さらに,データセットを充実させ,モデルのロバスト性を改善し,実用的なシナリオに適合させる新しい学習データ拡張手法を提案する。
Tsinghua-Tencent 100K(TT100K)データセットの大規模な実験結果から,提案手法の有効性と優位性を示した。
関連論文リスト
- mAPm: multi-scale Attention Pyramid module for Enhanced scale-variation
in RLD detection [0.3499870393443268]
mAPmは、拡張畳み込みをFPN(Feature Pyramid Network)に統合し、マルチスケール情報抽出を強化する新しいアプローチである。
MRLDおよびCOCOデータセットを用いて, YOLOv7上のmAPmを評価する。
論文 参考訳(メタデータ) (2024-02-26T04:18:42Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z) - A fast accurate fine-grain object detection model based on YOLOv4 deep
neural network [0.0]
商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。
本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。
提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
論文 参考訳(メタデータ) (2021-10-30T17:56:13Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - 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) - Traffic Signs Detection and Recognition System using Deep Learning [0.0]
本稿では,交通標識をリアルタイムに検出・認識するためのアプローチについて述べる。
マルチオブジェクト検出システムの最先端技術を用いて,交通信号検出問題に取り組む。
この論文の焦点は、F-RCNN Inception v2とTiny YOLO v2が最高の結果を得たときのものである。
論文 参考訳(メタデータ) (2020-03-06T14:54:40Z)
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。