Fugu-MT 論文翻訳(概要): Traffic sign detection and recognition using event camera image reconstruction

論文の概要: Traffic sign detection and recognition using event camera image reconstruction

arxiv url: http://arxiv.org/abs/2212.08387v1
Date: Fri, 16 Dec 2022 10:21:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-19 16:17:01.388239
Title: Traffic sign detection and recognition using event camera image reconstruction
Title（参考訳）: イベントカメラ画像再構成を用いた交通信号の検出と認識
Authors: Kamil Jeziorek and Tomasz Kryjak
Abstract要約: このソリューションでは、FireNetのディープ畳み込みニューラルネットワークを使用して、イベントをグレースケールのフレームに再構築する。最も優れた結果は、グレースケールの画像に基づいて訓練されたモデルで達成され、効率は87.03%に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a method for detection and recognition of traffic signs based on information extracted from an event camera. The solution used a FireNet deep convolutional neural network to reconstruct events into greyscale frames. Two YOLOv4 network models were trained, one based on greyscale images and the other on colour images. The best result was achieved for the model trained on the basis of greyscale images, achieving an efficiency of 87.03%.
Abstract（参考訳）: 本稿では,イベントカメラから抽出した情報をもとに,交通標識の検出と認識を行う手法を提案する。このソリューションでは、FireNetのディープ畳み込みニューラルネットワークを使用して、イベントをグレースケールのフレームに再構築する。 2つのYOLOv4ネットワークモデルがトレーニングされ、1つはグレースケールの画像に基づいており、もう1つはカラー画像に基づいている。最も優れた結果は、グレースケールの画像に基づいて訓練されたモデルで達成され、効率は87.03%に達した。

関連論文リスト

Iris super-resolution using CNNs: is photo-realism important to iris recognition? [67.42500312968455]
特に畳み込みニューラルネットワーク(CNN)を用いた単一画像超解像技術が出現している本研究では, 虹彩認識のためのCNNを用いて, 単一画像の超解像を探索する。彼らは、近赤外線虹彩画像の1.872のデータベースと携帯電話画像データベースのアプローチを検証する。
論文参考訳（メタデータ） (2022-10-24T11:19:18Z)
Traffic Congestion Prediction using Deep Convolutional Neural Networks: A Color-coding Approach [0.0]
本研究では、ディープ畳み込みニューラルネットワークにおけるトラフィックデータをトレーニングする前に、カラー符号化方式を用いたトラフィックビデオ分類のためのユニークな手法を提案する。まず、ビデオデータを画像データセットに変換し、その後、You Only Look Onceアルゴリズムを用いて車両検出を行う。 UCSDデータセットを用いて98.2%の分類精度を得た。
論文参考訳（メタデータ） (2022-09-16T14:02:20Z)
Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文参考訳（メタデータ） (2022-04-23T01:54:06Z)
Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文参考訳（メタデータ） (2022-01-15T01:54:25Z)
Ablation study of self-supervised learning for image classification [0.0]
このプロジェクトは、画像認識のタスクのための畳み込みニューラルネットワーク(CNN)とトランスフォーマーネットワークの自己教師型トレーニングに焦点を当てている。同じソース画像からの2つの拡張変換画像の類似性を最大化するために、異なるバックボーンを持つ単純なシアムネットワークを使用する。
論文参考訳（メタデータ） (2021-12-04T09:59:01Z)
Training dataset generation for bridge game registration [0.0]
このソリューションは、認識されたオブジェクトを手動で収集しラベル付けすることで、時間を要するプロセスを省略することができる。生成されたデータセットに基づいてトレーニングされたYOLOv4ネットワークは、カード検出タスクの99.8%の効率を達成した。
論文参考訳（メタデータ） (2021-09-24T10:09:36Z)
Two-stage generative adversarial networks for document image binarization with color noise and background removal [7.639067237772286]
本稿では,2段階のカラー文書画像強調・バイナライゼーション手法を提案する。第1段階では、4つの色非依存の敵ネットワークを訓練し、入力画像から色前景情報を抽出する。第2段階では、大域的・局所的な特徴を持つ2つの独立した敵対的ネットワークが、可変サイズの文書の画像バイナライズのために訓練されている。
論文参考訳（メタデータ） (2020-10-20T07:51:50Z)
3D-DEEP: 3-Dimensional Deep-learning based on elevation patterns forroad scene interpretation [0.0]
CNNに基づくセマンティックセグメンテーションのための新しいネットアーキテクチャ(3D-DEEP)とそのエンドツーエンドトレーニング手法について述べる。開発されたモデルは、Cityscapesデータセット上でトレーニングされ、検証された。一方、KITTIdatasetでは、F1エラー値は97.85%、96.02%に達している。
論文参考訳（メタデータ） (2020-09-01T10:18:08Z)
Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文参考訳（メタデータ） (2020-05-21T17:59:23Z)
UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文参考訳（メタデータ） (2020-04-13T04:12:59Z)
Self-Supervised Linear Motion Deblurring [112.75317069916579]
深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
論文参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。