論文の概要: Automatic Signboard Recognition in Low Quality Night Images
- arxiv url: http://arxiv.org/abs/2308.08941v1
- Date: Thu, 17 Aug 2023 12:26:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 16:56:05.255153
- Title: Automatic Signboard Recognition in Low Quality Night Images
- Title（参考訳）: 低画質夜景画像における看板自動認識
- Authors: Manas Kagde, Priyanka Choudhary, Rishi Joshi and Somnath Dey
- Abstract要約: 本稿では,低照度,雑音,ぼかしで捉えた画像から交通信号を認識することの課題について述べる。
提案手法は,Yolov4の低画質画像に対して,mAP@0.5で5.40%向上した。
また、GTSDBデータセットでmAP@0.5の100%を達成した。
- 参考スコア（独自算出の注目度）: 1.6795461001108096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An essential requirement for driver assistance systems and autonomous driving
technology is implementing a robust system for detecting and recognizing
traffic signs. This system enables the vehicle to autonomously analyze the
environment and make appropriate decisions regarding its movement, even when
operating at higher frame rates. However, traffic sign images captured in
inadequate lighting and adverse weather conditions are poorly visible, blurred,
faded, and damaged. Consequently, the recognition of traffic signs in such
circumstances becomes inherently difficult. This paper addressed the challenges
of recognizing traffic signs from images captured in low light, noise, and
blurriness. To achieve this goal, a two-step methodology has been employed. The
first step involves enhancing traffic sign images by applying a modified MIRNet
model and producing enhanced images. In the second step, the Yolov4 model
recognizes the traffic signs in an unconstrained environment. The proposed
method has achieved 5.40% increment in mAP@0.5 for low quality images on
Yolov4. The overall mAP@0.5 of 96.75% has been achieved on the GTSRB dataset.
It has also attained mAP@0.5 of 100% on the GTSDB dataset for the broad
categories, comparable with the state-of-the-art work.
- Abstract（参考訳）: 運転支援システムと自動運転技術の必須要件は、交通標識の検出と認識のためのロバストなシステムの実装である。
このシステムにより、より高いフレームレートで動作しても、車両は自律的に環境を分析し、移動に関する適切な判断を行うことができる。
しかし、不適切な照明や悪天候で撮影された交通標識画像は、視界が悪く、ぼやけ、消え、損傷している。
そのため、このような状況下での交通標識の認識は本質的に困難となる。
本稿では,低照度,雑音,ぼやけた画像から交通信号を認識することの課題について述べる。
この目的を達成するために、2段階の方法論が採用されている。
最初のステップは、修正されたMIRNetモデルを適用して、拡張された画像を生成することで、トラフィックサイン画像の強化である。
2番目のステップでは、Yolov4モデルは制約のない環境での交通標識を認識する。
提案手法は,Yolov4の低画質画像に対して,mAP@0.5で5.40%向上した。
全体のmAP@0.5の96.75%はGTSRBデータセットで達成されている。
また、幅広いカテゴリのGTSDBデータセットでmAP@0.5を100%達成している。
関連論文リスト
- Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。
スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。
その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T14:23:23Z) - Generative Adversarial Network on Motion-Blur Image Restoration [0.0]
我々は、GAN(Generative Adrial Networks)を活用して、動きのぼやけによるイメージを効果的に損なうことに焦点をあてる。
GANベースの逆流モデルを定義し、GoProデータセットを用いてトレーニングし、評価する。
PNR(Peak Signal-to-Noise Ratio)とSSIM(Structure similarity Index Measure)は、画像品質の定量的測定に使用される2つの評価指標である。
論文 参考訳（メタデータ） (2024-12-27T06:12:50Z) - Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [4.336971448707467]
マルチエージェント強化学習(MARL)は、反復シミュレーションを用いて、ネットワーク内の信号機の制御戦略の学習に特に有効である。
本研究では,高忠実度3次元モデリングと大規模交通流シミュレーションを組み合わせたCARLAとSUMOを統合したシミュレーションフレームワークを提案する。
テストベッドでの実験では、リアルタイムカメラを用いた交通状況検出におけるMARLアプローチの有効性が実証された。
論文 参考訳（メタデータ） (2024-12-05T07:01:56Z) - YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving [10.103731437332693]
自律運転システムにおいて,交通標識を効率的にかつ正確に検出することが重要である。
既存のオブジェクト検出アルゴリズムでは、これらの小さなスケールの兆候をほとんど検出できない。
本稿では, YOLO PPAに基づく交通標識検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-05T07:49:21Z) - Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。
記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。
提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
論文 参考訳（メタデータ） (2024-07-08T10:51:03Z) - Low-Light Image Enhancement Framework for Improved Object Detection in Fisheye Lens Datasets [4.170227455727819]
本研究は,魚眼レンズカメラを用いた都市交通監視システムの進化的課題について考察する。
フィッシュアイレンズは、1つのフレームで広角と全方位のカバーを提供し、変換性のあるソリューションとなる。
これらの課題に触発された本研究では,ランズフォーマーに基づく画像強調フレームワークとアンサンブル学習技術を組み合わせた新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T18:32:52Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban
Neighborhood [2.4087090457198435]
プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でYOLOv5モデルをトレーニングし、適切なハードウェアプラットフォームにモデルをデプロイすることである。
本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
論文 参考訳（メタデータ） (2023-10-14T17:52:28Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Driving-Signal Aware Full-Body Avatars [49.89791440532946]
そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。
我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。
仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-05-21T16:22:38Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z)
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。