Fugu-MT 論文翻訳(概要): Evaluation of Different Annotation Strategies for Deployment of Parking Spaces Classification Systems

論文の概要: Evaluation of Different Annotation Strategies for Deployment of Parking Spaces Classification Systems

arxiv url: http://arxiv.org/abs/2207.11372v1
Date: Fri, 22 Jul 2022 23:03:17 GMT
ステータス: 処理完了
システム内更新日: 2022-07-26 14:24:52.153984
Title: Evaluation of Different Annotation Strategies for Deployment of Parking Spaces Classification Systems
Title（参考訳）: 駐車スペース分類システムの展開のための異なるアノテーション戦略の評価
Authors: Andre G. Hochuli, Alceu S. Britto Jr., Paulo R. L. de Almeida, Williams B. S. Alves and Fabio M. C. Cagni
Abstract要約: 我々は3つのアノテーションタイプ(多角形、有界箱、固定サイズ正方形)について検討する。 PKLotデータセットを用いた実験では、1000個未満のラベル付きサンプルでターゲット駐車場にモデルを微調整することが可能である。
参考スコア（独自算出の注目度）: 3.265379077082569
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When using vision-based approaches to classify individual parking spaces between occupied and empty, human experts often need to annotate the locations and label a training set containing images collected in the target parking lot to fine-tune the system. We propose investigating three annotation types (polygons, bounding boxes, and fixed-size squares), providing different data representations of the parking spaces. The rationale is to elucidate the best trade-off between handcraft annotation precision and model performance. We also investigate the number of annotated parking spaces necessary to fine-tune a pre-trained model in the target parking lot. Experiments using the PKLot dataset show that it is possible to fine-tune a model to the target parking lot with less than 1,000 labeled samples, using low precision annotations such as fixed-size squares.
Abstract（参考訳）: 視覚に基づくアプローチで個々の駐車スペースを占有と空に分類する場合、人間の専門家は、ターゲット駐車場で収集された画像を含むトレーニングセットに注釈を付けてシステムを微調整する必要がある。本稿では,3種類のアノテーション(ポリゴン,バウンディングボックス,固定サイズ正方形)を解析し,駐車場の異なるデータ表現を提供する。その根拠は、手技アノテーションの精度とモデル性能の最良のトレードオフを明らかにすることである。また, 対象駐車場における事前学習モデルの微調整に必要なアノテート駐車場数についても検討した。 PKLotデータセットを用いた実験では、固定サイズの正方形のような低い精度のアノテーションを使用して、1000以上のラベル付きサンプルでターゲット駐車場にモデルを微調整することが可能である。

関連論文リスト

Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
Smart Camera Parking System With Auto Parking Spot Detection [1.0512475026060208]
PakStaと呼ばれる新しい手法で駐車場の状態を自動識別する。本手法はPakLocのオブジェクト検出器を用いて,ビデオフレーム内の駐車場の占有状況を同時に判定する。提案手法がPKLotデータセットに与える影響は, 人的労働力の94.25%を大幅に削減する結果となった。
論文参考訳（メタデータ） (2024-07-07T19:00:11Z)
Deep Single Models vs. Ensembles: Insights for a Fast Deployment of Parking Monitoring Systems [3.00363876980149]
多くのアプローチでは大量のデータの収集とラベル付けを行うため、インテリジェントな駐車監視は依然として課題である。本研究の目的は,公用ラベル付き駐車場画像を用いて訓練されたグローバルなフレームワーク構築の課題を明らかにすることである。その結果、多様なデータセットでトレーニングされたモデルは、目標駐車場におけるデータアノテーションやモデルトレーニングの負担を伴わずに95%の精度を達成できることがわかった。
論文参考訳（メタデータ） (2023-09-28T14:59:53Z)
Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文参考訳（メタデータ） (2022-11-15T13:52:41Z)
360-MLC: Multi-view Layout Consistency for Self-training and Hyper-parameter Tuning [40.93848397359068]
モノクラールームモデルを微調整するための多視点レイアウト整合性に基づく自己学習手法である360-MLCを提案する。我々は,複数のレイアウト推定におけるエントロピー情報を定量的な指標として活用し,シーンの幾何的整合性を測定する。
論文参考訳（メタデータ） (2022-10-24T03:31:48Z)
NEAT: Neural Attention Fields for End-to-End Autonomous Driving [59.60483620730437]
本稿では、模倣学習モデルの効率的な推論を可能にする新しい表現であるNEAT(NEural Attention Field)を提案する。 NEATは、Bird's Eye View (BEV) シーン座標の位置をウェイポイントとセマンティクスにマッピングする連続関数である。有害な環境条件や挑戦的なシナリオを含む新たな評価環境では、NEATはいくつかの強いベースラインを上回り、特権のあるCARLA専門家と同等の運転スコアを達成している。
論文参考訳（メタデータ） (2021-09-09T17:55:28Z)
Image-Based Parking Space Occupancy Classification: Dataset and Baseline [0.0]
画像に基づく駐車スペース占有分類のための新しいデータセット: ACPDSを提案する。以前のデータセットとは異なり、各イメージはユニークなビューから取り出され、体系的に注釈付けされ、列車内の駐車場、検証、テストセットはユニークである。このデータセットを用いて、駐車スペース占有率分類のための単純なベースラインモデルを提案し、未確認駐車場における98%の精度を実現する。
論文参考訳（メタデータ） (2021-07-26T13:23:21Z)
Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文参考訳（メタデータ） (2020-07-27T17:03:50Z)
AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。外観認識は、完全に微分可能な重み付け機構によって実現される。我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文参考訳（メタデータ） (2020-07-07T14:32:21Z)
PSDet: Efficient and Universal Parking Slot Detection [14.085693334348827]
リアルタイム駐車スロット検出は、バレット駐車システムにおいて重要な役割を担っている。既存の手法は、現実世界のアプリケーションでしか成功しない。不満足なパフォーマンスを考慮に入れている2つの理由を論じる。 romannumeral1: 利用可能なデータセットは多様性が限られており、一般化能力が低い。
論文参考訳（メタデータ） (2020-05-12T03:06:25Z)
Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文参考訳（メタデータ） (2020-02-29T02:58:36Z)

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。