Fugu-MT 論文翻訳(概要): Dense-TNT: Efficient Vehicle Type Classification Neural Network Using Satellite Imagery

論文の概要: Dense-TNT: Efficient Vehicle Type Classification Neural Network Using Satellite Imagery

arxiv url: http://arxiv.org/abs/2209.13500v1
Date: Tue, 27 Sep 2022 16:17:53 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 14:39:20.648287
Title: Dense-TNT: Efficient Vehicle Type Classification Neural Network Using Satellite Imagery
Title（参考訳）: 衛星画像を用いた高効率車種分類ニューラルネットワークDense-TNT
Authors: Ruikang Luo, Yaofeng Song, Han Zhao, Yicheng Zhang, Yi Zhang, Nanbin Zhao, Liping Huang and Rong Su
Abstract要約: 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。
参考スコア（独自算出の注目度）: 16.025849552108983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate vehicle type classification serves a significant role in the intelligent transportation system. It is critical for ruler to understand the road conditions and usually contributive for the traffic light control system to response correspondingly to alleviate traffic congestion. New technologies and comprehensive data sources, such as aerial photos and remote sensing data, provide richer and high-dimensional information. Also, due to the rapid development of deep neural network technology, image based vehicle classification methods can better extract underlying objective features when processing data. Recently, several deep learning models have been proposed to solve the problem. However, traditional pure convolutional based approaches have constraints on global information extraction, and the complex environment, such as bad weather, seriously limits the recognition capability. To improve the vehicle type classification capability under complex environment, this study proposes a novel Densely Connected Convolutional Transformer in Transformer Neural Network (Dense-TNT) framework for the vehicle type classification by stacking Densely Connected Convolutional Network (DenseNet) and Transformer in Transformer (TNT) layers. Three-region vehicle data and four different weather conditions are deployed for recognition capability evaluation. Experimental findings validate the recognition ability of our proposed vehicle classification model with little decay, even under the heavy foggy weather condition.
Abstract（参考訳）: 正確な車両型分類は、インテリジェント輸送システムにおいて重要な役割を果たす。支配者が道路状況を理解することは重要であり、通常、交通渋滞の緩和に対応するために交通光制御システムに寄与する。航空写真やリモートセンシングデータなどの新しい技術や包括的なデータソースは、よりリッチで高次元な情報を提供する。また、深層ニューラルネットワーク技術の急速な発展により、画像に基づく車両分類手法は、データ処理時の対象的特徴をより適切に抽出することができる。近年,この問題を解決するためにいくつかのディープラーニングモデルが提案されている。しかし、従来の純粋畳み込みに基づくアプローチは、グローバルな情報抽出に制約があり、悪天候のような複雑な環境は認識能力を著しく制限している。本研究では,トランスフォーマーニューラルネットワーク(Dense-TNT)層におけるDensely Connected Convolutional Network(DenseNet)層とトランスフォーマー(TNT)層におけるトランスフォーマーを積み重ねることで,車種分類のための新しいDensely Connected Convolutional Transformer(Dense-TNT)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。

関連論文リスト

Optical Flow Matters: an Empirical Comparative Study on Fusing Monocular Extracted Modalities for Better Steering [37.46760714516923]
本研究は、単眼カメラからのマルチモーダル情報を利用して、自動運転車のステアリング予測を改善する新しいエンドツーエンド手法を提案する。本稿では,RGB画像と深度補完情報や光フローデータとの融合に着目し,これらのモダリティを早期・ハイブリッド融合技術によって統合する枠組みを提案する。
論文参考訳（メタデータ） (2024-09-18T09:36:24Z)
Revolutionizing Traffic Sign Recognition: Unveiling the Potential of Vision Transformers [0.0]
交通信号認識(TSR)は、運転支援システムや自動運転車において重要な役割を担っている。本研究では、ベースラインモデルとしてビジョントランスフォーマー(PVT、TNT、LNL)と6つの畳み込みニューラルネットワーク(AlexNet、ResNet、VGG16、MobileNet、EfficientNet、GoogleNet)を探索する。従来の手法の欠点に対処するため、新しいピラミッドEATFormerバックボーンを提案し、進化的アルゴリズム(EA)とTransformerアーキテクチャを組み合わせる。
論文参考訳（メタデータ） (2024-04-29T19:18:52Z)
UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文参考訳（メタデータ） (2023-07-03T04:10:55Z)
Anomaly Detection in Automatic Generation Control Systems Based on Traffic Pattern Analysis and Deep Transfer Learning [0.38073142980733]
現代の高度に相互接続された電力グリッドでは、電力グリッドの安定性を維持するために自動生成制御(AGC)が不可欠である。情報通信技術(ICT)システムへのAGCシステムの依存は、様々なサイバー攻撃に対して脆弱である。情報フロー(IF)分析と異常検出は、サイバー攻撃者がサイバー物理的電力システムを不安定に駆動することを防ぐために最重要となった。
論文参考訳（メタデータ） (2022-09-16T17:52:42Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Task-Oriented Image Transmission for Scene Classification in Unmanned Aerial Systems [46.64800170644672]
シーン分類作業のための新しい航空画像伝送パラダイムを提案する。画像やチャネル条件の認識を伴うセマンティックブロック伝送のための,フロントエンドUAV上での軽量モデルを開発した。伝送遅延と分類精度のトレードオフを達成するために、深層強化学習を用いる。
論文参考訳（メタデータ） (2021-12-21T02:44:49Z)
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)
Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文参考訳（メタデータ） (2021-04-22T12:47:37Z)
Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文参考訳（メタデータ） (2020-01-21T12:52:58Z)

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。