論文の概要: A Car Model Identification System for Streamlining the Automobile Sales
Process
- arxiv url: http://arxiv.org/abs/2310.13198v2
- Date: Mon, 23 Oct 2023 08:14:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 11:25:05.437369
- Title: A Car Model Identification System for Streamlining the Automobile Sales
Process
- Title(参考訳): 自動車販売プロセスの合理化のための自動車モデル識別システム
- Authors: Said Togru, Marco Moldovan
- Abstract要約: 本研究は,自動車モデルと画像の効率的な識別のための自動解法を提案する。
我々は、EfficientNet (V2 b2)アーキテクチャを使用した81.97%の顕著な精度を達成した。
トレーニングされたモデルは、情報抽出を自動化する可能性を提供し、自動車販売ウェブサイト全体でのユーザエクスペリエンスの向上を約束する。
- 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 project presents an automated solution for the efficient identification
of car models and makes from images, aimed at streamlining the vehicle listing
process on online car-selling platforms. Through a thorough exploration
encompassing various efficient network architectures including Convolutional
Neural Networks (CNNs), Vision Transformers (ViTs), and hybrid models, we
achieved a notable accuracy of 81.97% employing the EfficientNet (V2 b2)
architecture. To refine performance, a combination of strategies, including
data augmentation, fine-tuning pretrained models, and extensive hyperparameter
tuning, were applied. The trained model offers the potential for automating
information extraction, promising enhanced user experiences across car-selling
websites.
- Abstract(参考訳): 本プロジェクトでは,オンラインカー販売プラットフォーム上での車両登録プロセスの合理化を目的とした,車両モデルと画像からの効率的な識別のための自動ソリューションを提案する。
畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、ハイブリッドモデルなど、様々な効率的なネットワークアーキテクチャを網羅した徹底的な調査を通じて、EfficientNet(V2 b2)アーキテクチャを使用した81.97%の精度を達成した。
性能向上のために,データ強化,微調整事前訓練モデル,広範ハイパーパラメータチューニングを含む戦略の組み合わせを適用した。
トレーニングされたモデルは、情報抽出を自動化し、自動車販売webサイト全体のユーザエクスペリエンスを向上させる可能性を提供する。
関連論文リスト
- Surrogate Modeling of Car Drag Coefficient with Depth and Normal
Renderings [4.868319717279586]
本稿では,3次元カードラッグの予測の有効性を検証するために,新しい2次元3次元形状表現法を提案する。
我々はドラッグ係数でラベル付けされた9,070個の高品質な3Dカーメッシュの多様なデータセットを構築した。
実験により,車種別0.84以上のR2$値のドラッグ係数を精度良く,効率的に評価できることを示した。
論文 参考訳(メタデータ) (2023-05-26T09:33:12Z) - ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders [104.05133094625137]
完全畳み込み型マスク付きオートエンコーダフレームワークと,新たなグローバル応答正規化層を提案する。
この自己教師付き学習技術とアーキテクチャ改善の共設計により、純粋なConvNetの性能を大幅に向上させるConvNeXt V2と呼ばれる新しいモデルファミリが生まれる。
論文 参考訳(メタデータ) (2023-01-02T18:59:31Z) - Automated Progressive Learning for Efficient Training of Vision
Transformers [125.22744987949227]
ビジョントランスフォーマー(ViT)は、コンピュータパワーに対する大胆な欲求を持ち、ViTの効率的なトレーニング方法を開発するために緊急に必要となる。
プログレッシブラーニング(Progressive Learning)は、モデルキャパシティがトレーニング中に徐々に成長するトレーニングスキームである。
本稿では,先進的な学習をカスタマイズし,自動化することで,ViTの効率的な訓練に向けて実践的な一歩を踏み出した。
論文 参考訳(メタデータ) (2022-03-28T05:37:08Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳(メタデータ) (2021-10-22T15:25:14Z) - Utilizing Active Machine Learning for Quality Assurance: A Case Study of
Virtual Car Renderings in the Automotive Industry [0.0]
本稿では,不良な仮想車のレンダリングを識別するためにラベル付きインスタンスを著しく少なくする,アクティブな機械学習ベースの品質保証システムを提案する。
このシステムをドイツの自動車メーカーに導入することにより、スタートアップの難しさを克服し、検査プロセスの効率を向上し、経済的優位性を実現することができる。
論文 参考訳(メタデータ) (2021-10-18T05:43:06Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-15T03:03:38Z) - AutoADR: Automatic Model Design for Ad Relevance [26.890941853575253]
大規模事前学習モデルはメモリと計算集約型である。
効果的なモデルアーキテクチャを設計する方法は、オンライン広告レバレンスにおける別の難しい問題である。
この課題に対処するための新しいエンドツーエンドフレームワークであるAutoADRを提案する。
論文 参考訳(メタデータ) (2020-10-14T13:24:43Z) - AutoCLINT: The Winning Method in AutoCV Challenge 2019 [21.777841334509986]
本稿では,優勝方式であるAutoCLINTについて紹介する。
提案手法は、効率的なコード最適化を含む自律的なトレーニング戦略を実装し、事前訓練されたネットワークの高速適応を実現するために、自動データ拡張を適用する。
論文 参考訳(メタデータ) (2020-05-09T05:50:38Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳(メタデータ) (2020-03-25T06:53:54Z)
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。