論文の概要: Object Recognition in Different Lighting Conditions at Various Angles by
Deep Learning Method
- arxiv url: http://arxiv.org/abs/2210.09618v1
- Date: Tue, 18 Oct 2022 06:23:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 14:57:22.573875
- Title: Object Recognition in Different Lighting Conditions at Various Angles by
Deep Learning Method
- Title（参考訳）: 深層学習法による様々な角度の照明条件における物体認識
- Authors: Imran Khan Mirani, Chen Tianhua, Malak Abid Ali Khan, Syed Muhammad
Aamir, Waseef Menhaj
- Abstract要約: 既存のコンピュータビジョンとオブジェクト検出方法は、ニューラルネットワークとディープラーニングに依存している。
本稿では,検出されたボックスの位置に基づいて,さまざまなオブジェクトの名称を分類することを目的とする。
このモデルの精度は,物体の比率やサンプル数に大きく影響されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Existing computer vision and object detection methods strongly rely on neural
networks and deep learning. This active research area is used for applications
such as autonomous driving, aerial photography, protection, and monitoring.
Futuristic object detection methods rely on rectangular, boundary boxes drawn
over an object to accurately locate its location. The modern object recognition
algorithms, however, are vulnerable to multiple factors, such as illumination,
occlusion, viewing angle, or camera rotation as well as cost. Therefore, deep
learning-based object recognition will significantly increase the recognition
speed and compatible external interference. In this study, we use convolutional
neural networks (CNN) to recognize items, the neural networks have the
advantages of end-to-end, sparse relation, and sharing weights. This article
aims to classify the name of the various object based on the position of an
object's detected box. Instead, under different distances, we can get
recognition results with different confidence. Through this study, we find that
this model's accuracy through recognition is mainly influenced by the
proportion of objects and the number of samples. When we have a small
proportion of an object on camera, then we get higher recognition accuracy; if
we have a much small number of samples, we can get greater accuracy in
recognition. The epidemic has a great impact on the world economy where
designing a cheaper object recognition system is the need of time.
- Abstract（参考訳）: 既存のコンピュータビジョンとオブジェクト検出手法はニューラルネットワークとディープラーニングに強く依存している。
この活発な研究領域は、自律走行、航空写真、保護、監視などの用途に利用されている。
未来的物体検出法は、その位置を正確に特定するために、物体の上に描かれた長方形の境界ボックスに依存する。
しかし、現代の物体認識アルゴリズムは、照明、咬合、視角、カメラの回転といった複数の要因やコストに対して脆弱である。
したがって、ディープラーニングに基づく物体認識は、認識速度と互換性のある外部干渉を著しく増加させる。
本研究では、畳み込みニューラルネットワーク(CNN)を用いてアイテムを認識し、ニューラルネットワークはエンドツーエンド、スパース関係、および共有重みの利点を有する。
本稿では,検出ボックスの位置に基づいて,さまざまなオブジェクトの名称を分類することを目的とする。
その代わり、異なる距離で、異なる信頼度で認識結果を得ることができる。
本研究により,認識によるモデルの精度は,主に物体の比率とサンプル数に左右されることがわかった。
カメラ上のオブジェクトの比率が小さいと、認識精度が向上し、サンプル数がはるかに少ない場合には、認識精度が向上します。
この流行は、より安価な物体認識システムを設計することが時間を必要とする世界経済に大きな影響を与える。
関連論文リスト
- Accelerating Object Detection with YOLOv4 for Real-Time Applications [0.276240219662896]
畳み込みニューラルネットワーク(CNN)は、ほとんどの問題に対して画像コンテンツとコンピュータビジョンアプローチを認識する強力なツールとして登場した。
本稿では、畳み込みニューラルネットワーク(CNN)のようなディープラーニングとオブジェクト検出フレームワークの簡単な紹介を紹介する。
論文 参考訳（メタデータ） (2024-10-17T17:44:57Z) - Detecting Out-of-distribution Objects Using Neuron Activation Patterns [0.0]
物体検出装置(NAPTRON)における分布外サンプル検出のためのニューロン活性化PaTteRnsを導入する。
提案手法は,ID(In-distribution)のパフォーマンスに影響を与えることなく,最先端の手法よりも優れている。
OODオブジェクト検出のための最大のオープンソースベンチマークを作成しました。
論文 参考訳（メタデータ） (2023-07-31T06:41:26Z) - Fast and Accurate Object Detection on Asymmetrical Receptive Field [0.0]
本稿では,物体検出精度を受容場の変化の観点から改善する手法を提案する。
YOLOv5の頭部の構造は、非対称なプール層を付加することによって改変される。
本稿では, 従来の YOLOv5 モデルと比較し, いくつかのパラメータから解析する。
論文 参考訳（メタデータ） (2023-03-15T23:59:18Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - Hybrid Optimized Deep Convolution Neural Network based Learning Model
for Object Detection [0.0]
物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。
近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。
本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。
提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
論文 参考訳（メタデータ） (2022-03-02T04:39:37Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Analysis of voxel-based 3D object detection methods efficiency for
real-time embedded systems [93.73198973454944]
本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。
実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。
この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
論文 参考訳（メタデータ） (2021-05-21T12:40:59Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z) - Real-Time Object Detection and Recognition on Low-Compute Humanoid
Robots using Deep Learning [0.12599533416395764]
本稿では、複数の低計算NAOロボットがカメラビューにおける物体のリアルタイム検出、認識、位置決めを行うことを可能にする新しいアーキテクチャについて述べる。
オブジェクト検出と局所化のためのアルゴリズムは,複数のシナリオにおける屋内実験に基づくYOLOv3の実証的な修正である。
このアーキテクチャは、カメラフィードからニューラルネットにリアルタイムフレームを供給し、その結果を使ってロボットを誘導する効果的なエンドツーエンドパイプラインも備えている。
論文 参考訳（メタデータ） (2020-01-20T05:24:58Z)
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。