論文の概要: Effects of Real-Life Traffic Sign Alteration on YOLOv7- an Object Recognition Model

• arxiv url: http://arxiv.org/abs/2305.05499v2
• Date: Mon, 29 Jan 2024 17:18:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 22:57:27.689307
• Title: Effects of Real-Life Traffic Sign Alteration on YOLOv7- an Object Recognition Model
• Title（参考訳）: 物体認識モデルYOLOv7におけるリアルタイム交通信号変換の効果
• Authors: Farhin Farhad Riya, Shahinul Hoque, Md Saif Hassan Onim, Edward Michaud, Edmon Begoli and Jinyuan Stella Sun
• Abstract要約: 本研究では,物体認識の精度と有効性に対する交通標識の変化の影響について検討した。 形状、色、コンテンツ、可視性、角度、背景の変更を導入するために、公開データセットを使用している。 この研究は、異常な状況下で交通標識に直面すると、検出と分類の精度が著しく低下することを示している。
• 参考スコア（独自算出の注目度）: 1.6334452280183571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of Image Processing has propelled Object Recognition (OR) models into essential roles across various applications, demonstrating the power of AI and enabling crucial services. Among the applications, traffic sign recognition stands out as a popular research topic, given its critical significance in the development of autonomous vehicles. Despite their significance, real-world challenges, such as alterations to traffic signs, can negatively impact the performance of OR models. This study investigates the influence of altered traffic signs on the accuracy and effectiveness of object recognition, employing a publicly available dataset to introduce alterations in shape, color, content, visibility, angles and background. Focusing on the YOLOv7 (You Only Look Once) model, the study demonstrates a notable decline in detection and classification accuracy when confronted with traffic signs in unusual conditions including the altered traffic signs. Notably, the alterations explored in this study are benign examples and do not involve algorithms used for generating adversarial machine learning samples. This study highlights the significance of enhancing the robustness of object detection models in real-life scenarios and the need for further investigation in this area to improve their accuracy and reliability.
• Abstract（参考訳）: 画像処理の普及により、オブジェクト認識(OR)モデルはさまざまなアプリケーションにまたがって重要な役割を担い、AIのパワーを実証し、重要なサービスを可能にしている。 これらのアプリケーションの中で、自動運転車の開発における重要な重要性を考えると、トラヒックサイン認識は一般的な研究テーマである。 その重要性にもかかわらず、交通標識の変更のような現実世界の課題は、性能やモデルに悪影響を及ぼす可能性がある。 本研究では,形状,色,内容,可視性,角度,背景の変化を導入するために,公開されているデータセットを用いて,交通標識の変化が物体認識の正確性と有効性に与える影響について検討する。 YOLOv7(You Only Look Once)モデルに焦点をあてて、変更した交通標識を含む異常な条件下で交通標識に直面する場合、検出精度と分類精度の顕著な低下を示す。 特に、本研究で調べた変更は良質な例であり、敵対的機械学習サンプルを生成するアルゴリズムを含まない。 本研究は,実生活シナリオにおける物体検出モデルのロバスト性向上の意義と,その精度と信頼性を向上させるために,この領域におけるさらなる調査の必要性を浮き彫りにする。

関連論文リスト

• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• Object Detection using Oriented Window Learning Vi-sion Transformer: Roadway Assets Recognition [4.465427147188149]
  Oriented Window Learning Vision Transformer (OWL-ViT) は、オブジェクトの幾何学と存在に窓の向きを適応させることによって、新しいアプローチを提供する。 本研究では、OWL-ViTをワンショット学習フレームワークで活用し、交通標識、ポール、舗装、ひび割れなどの交通インフラコンポーネントを認識する。
  論文  参考訳（メタデータ） (2024-06-15T18:49:42Z)
• Enhancing Traffic Sign Recognition with Tailored Data Augmentation: Addressing Class Imbalance and Instance Scarcity [0.0]
  本稿では道路安全に不可欠な交通標識認識(TSR)における重要な課題に取り組む。 本稿では,合成画像生成や幾何変換などのデータ拡張技術を紹介する。 本手法は,実世界の条件を正確にシミュレートするための多種多様な拡張プロセスを導入し,トレーニングデータの多様性と代表性を拡大する。
  論文  参考訳（メタデータ） (2024-06-05T18:45:45Z)
• Zero-shot Degree of Ill-posedness Estimation for Active Small Object Change Detection [8.977792536037956]
  日常的な屋内ナビゲーションでは、ロボットは区別できない小さな変化物体を検出する必要がある。 既存の技術は、変更検出モデルを正規化するために、高品質なクラス固有オブジェクトに依存している。 本研究では,受動とアクティブビジョンの両方を改善するために,DoIの概念を検討する。
  論文  参考訳（メタデータ） (2024-05-10T01:56:39Z)
• Real-Time Detection and Analysis of Vehicles and Pedestrians using Deep Learning [0.0]
  現在の交通監視システムは、小さな物体や歩行者をリアルタイムで効果的に認識する上で大きな困難に直面している。 本研究は、車や人の正確なリアルタイム認識のための複雑な視覚入力を処理できる高度なディープラーニングフレームワークの作成と検証に重点を置いている。 YOLOv8 大型モデルは、特に歩行者認識において最も効果的で、精度と堅牢性が高いことが判明した。
  論文  参考訳（メタデータ） (2024-04-11T18:42:14Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Adversary ML Resilience in Autonomous Driving Through Human Centered Perception Mechanisms [0.0]
  本稿では,3つの物理的攻撃(テープ,落書き,照明)に対する自律走行システムのレジリエンスについて検討する。 攻撃に対する堅牢性を構築するために、敵の訓練や移動学習のような防御技術が導入された。 その結果,道路標識分類の一般化性を向上させるために,形状訓練から得られる知識を付与することにより,伝達学習モデルが性能において重要な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T04:11:45Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Attention-based Adversarial Appearance Learning of Augmented Pedestrians [49.25430012369125]
  本稿では,歩行者認識タスクのための現実的なデータを合成する手法を提案する。 本手法は, 対向的損失によって駆動される注意機構を用いて, ドメインの相違を学習する。 提案手法はこのような不一致に対して頑健であり,視覚的リアリズムと意味的整合性の両方を明らかにする。
  論文  参考訳（メタデータ） (2021-07-06T15:27:00Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• 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)

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。