論文の概要: Enhancing Traffic Sign Recognition with Tailored Data Augmentation: Addressing Class Imbalance and Instance Scarcity

• arxiv url: http://arxiv.org/abs/2406.03576v1
• Date: Wed, 5 Jun 2024 18:45:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 19:14:47.865123
• Title: Enhancing Traffic Sign Recognition with Tailored Data Augmentation: Addressing Class Imbalance and Instance Scarcity
• Title（参考訳）: 階層化データ拡張による交通信号認識の強化--クラス不均衡とインスタンススカルシティの対応
• Authors: Ulan Alsiyeu, Zhasdauren Duisebekov,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper tackles critical challenges in traffic sign recognition (TSR), which is essential for road safety -- specifically, class imbalance and instance scarcity in datasets. We introduce tailored data augmentation techniques, including synthetic image generation, geometric transformations, and a novel obstacle-based augmentation method to enhance dataset quality for improved model robustness and accuracy. Our methodology incorporates diverse augmentation processes to accurately simulate real-world conditions, thereby expanding the training data's variety and representativeness. Our findings demonstrate substantial improvements in TSR models performance, offering significant implications for traffic sign recognition systems. This research not only addresses dataset limitations in TSR but also proposes a model for similar challenges across different regions and applications, marking a step forward in the field of computer vision and traffic sign recognition systems.
• Abstract（参考訳）: 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、特にデータセットにおけるクラス不均衡とインスタンス不足に対処する。 本稿では,合成画像生成,幾何変換,およびモデル堅牢性と精度向上のためのデータセット品質向上のための新しい障害物ベースの拡張手法など,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。 この結果,TSRモデルの性能は大幅に向上し,交通標識認識システムに大きな影響を及ぼすことがわかった。 この研究は、TSRのデータセット制限に対処するだけでなく、異なる領域やアプリケーションにまたがる同様の課題のモデルも提案している。

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)
• An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
  オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。 本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T23:24:27Z)
• A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model [0.0]
  交通事故検出はインテリジェント交通システムにおいて不可欠である。 従来の研究では、検出の有効性は大規模なデータセットの取得に関わる課題に大きく影響されている。 これらの課題に対処するために,トランスフォーマと生成逆数ネットワーク(GAN)を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T09:28:04Z)
• 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)
• Effects of Real-Life Traffic Sign Alteration on YOLOv7- an Object Recognition Model [1.6334452280183571]
  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。
  論文  参考訳（メタデータ） (2023-05-09T14:51:29Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• 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)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• StRDAN: Synthetic-to-Real Domain Adaptation Network for Vehicle Re-Identification [16.14221315208939]
  車両の再識別は、車両の画像から同じ車両を取得することを目的としている。 これは、市内の交通の流れを分析し予測するのには不可欠である。 本稿では,低コストで大規模な合成・実データを用いて学習し,性能を向上させる合成・実領域適応ネットワーク(StRDAN)を提案する。
  論文  参考訳（メタデータ） (2020-04-25T01:00:30Z)

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。