論文の概要: GP22: A Car Styling Dataset for Automotive Designers
- arxiv url: http://arxiv.org/abs/2207.01760v1
- Date: Tue, 5 Jul 2022 01:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 04:36:47.057030
- Title: GP22: A Car Styling Dataset for Automotive Designers
- Title（参考訳）: gp22:自動車デザイナーのためのカースタイリングデータセット
- Authors: Gyunpyo Lee, Taesu Kim, Hyeon-Jeong Suk
- Abstract要約: GP22は自動車デザイナーによって定義された自動車のスタイリング機能で構成されている。
データセットには、37のブランドと10の自動車セグメントから1480の車のサイドプロフィールイメージが含まれている。
- 参考スコア（独自算出の注目度）: 7.6702700993064115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An automated design data archiving could reduce the time wasted by designers
from working creatively and effectively. Though many datasets on classifying,
detecting, and instance segmenting on car exterior exist, these large datasets
are not relevant for design practices as the primary purpose lies in autonomous
driving or vehicle verification. Therefore, we release GP22, composed of car
styling features defined by automotive designers. The dataset contains 1480 car
side profile images from 37 brands and ten car segments. It also contains
annotations of design features that follow the taxonomy of the car exterior
design features defined in the eye of the automotive designer. We trained the
baseline model using YOLO v5 as the design feature detection model with the
dataset. The presented model resulted in an mAP score of 0.995 and a recall of
0.984. Furthermore, exploration of the model performance on sketches and
rendering images of the car side profile implies the scalability of the dataset
for design purposes.
- Abstract（参考訳）: 自動設計データアーカイブは、設計者が創造的かつ効果的に作業するのに要する時間を削減できる。
自動車の外装の分類、検出、インスタンスセグメンテーションに関する多くのデータセットが存在するが、これらの大きなデータセットは、自動運転や車両の検証が主な目的であるため、設計プラクティスには関係しない。
そこで我々は,自動車デザイナーが定義したカースタイリング機能からなるGP22をリリースする。
データセットには、37のブランドと10の自動車セグメントによる1480のカーサイドプロフィール画像が含まれている。
また、自動車デザイナーの目に定義された自動車の外装デザインの特徴の分類に従うデザイン特徴のアノテーションも含んでいる。
データセットを用いた設計特徴検出モデルとして,YOLO v5を用いてベースラインモデルをトレーニングした。
その結果,mAPスコア0.995,リコール0.984が得られた。
さらに、スケッチにおけるモデル性能の探索と車体側面プロファイルのレンダリングは、設計目的のデータセットのスケーラビリティを暗示している。
関連論文リスト
- AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - Structural Information Guided Multimodal Pre-training for
Vehicle-centric Perception [36.92036421490819]
そこで我々は,VagerMAEと呼ばれる新しい車両中心の事前学習フレームワークを提案する。
車両のスケッチラインを空間構造の形式として明示的に抽出し,車両の再建を誘導する。
大規模なデータセットは、約100万の車両画像と12693のテキスト情報を含むAutobot1Mと呼ばれるモデルを事前訓練するために構築されている。
論文 参考訳（メタデータ） (2023-12-15T14:10:21Z) - A Large-Scale Car Parts (LSCP) Dataset for Lightweight Fine-Grained
Detection [0.23020018305241333]
本稿では,12種類の自動車部品を検出するため,84,162枚の画像からなる大規模できめ細かな自動車データセットを提案する。
手動アノテーションの負担を軽減するため,新しい半教師付き自動ラベリング手法を提案する。
また,ゼロショットラベリングにおけるグラウンディングDINOアプローチの限界についても検討する。
論文 参考訳（メタデータ） (2023-11-20T13:30:42Z) - A Car Model Identification System for Streamlining the Automobile Sales
Process [0.0]
本研究は,自動車モデルと画像の効率的な識別のための自動解法を提案する。
我々は、EfficientNet (V2 b2)アーキテクチャを使用した81.97%の顕著な精度を達成した。
トレーニングされたモデルは、情報抽出を自動化する可能性を提供し、自動車販売ウェブサイト全体でのユーザエクスペリエンスの向上を約束する。
論文 参考訳（メタデータ） (2023-10-19T23:36:17Z) - 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) - Multi-modal Machine Learning for Vehicle Rating Predictions Using Image,
Text, and Parametric Data [3.463438487417909]
正確な車両評価予測のためのマルチモーダル学習モデルを提案する。
モデルはパラメトリック仕様、テキスト記述、車両の画像から特徴を同時に学習する。
マルチモーダルモデルの説明力は, 非モーダルモデルよりも4%～12%高いことがわかった。
論文 参考訳（メタデータ） (2023-05-24T14:58:49Z) - Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。
FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。
FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
論文 参考訳（メタデータ） (2022-10-21T21:25:59Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳（メタデータ） (2022-06-09T09:17:38Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z) - 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) - GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory
Prediction [6.12727713172576]
Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。
本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:24:31Z)
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。