論文の概要: Road Traffic Sign Recognition method using Siamese network Combining Efficient-CNN based Encoder

• arxiv url: http://arxiv.org/abs/2502.15307v1
• Date: Fri, 21 Feb 2025 09:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:10:50.011560
• Title: Road Traffic Sign Recognition method using Siamese network Combining Efficient-CNN based Encoder
• Title（参考訳）: 効率の良いCNNエンコーダを組み合わせたシームズネットワークを用いた道路交通信号認識手法
• Authors: Zhenghao Xi, Yuchao Shao, Yang Zheng, Xiang Liu, Yaqi Liu, Yitong Cai,
• Abstract要約: 交通標識認識(TSR)は、補助運転とインテリジェント交通システムにおいて重要な役割を担っている。 本稿では,改良されたエンコーダとSiameseネットを備えたIECES-networkを提案する。 提案手法は,2.9Mの軽量スケールで88.1%,86.43%,86.1%の競合性能を再現する。
• 参考スコア（独自算出の注目度）: 5.597437966490453
• License:
• Abstract: Traffic signs recognition (TSR) plays an essential role in assistant driving and intelligent transportation system. However, the noise of complex environment may lead to motion-blur or occlusion problems, which raise the tough challenge to real-time recognition with high accuracy and robust. In this article, we propose IECES-network which with improved encoders and Siamese net. The three-stage approach of our method includes Efficient-CNN based encoders, Siamese backbone and the fully-connected layers. We firstly use convolutional encoders to extract and encode the traffic sign features of augmented training samples and standard images. Then, we design the Siamese neural network with Efficient-CNN based encoder and contrastive loss function, which can be trained to improve the robustness of TSR problem when facing the samples of motion-blur and occlusion by computing the distance between inputs and templates. Additionally, the template branch of the proposed network can be stopped when executing the recognition tasks after training to raise the process speed of our real-time model, and alleviate the computational resource and parameter scale. Finally, we recombined the feature code and a fully-connected layer with SoftMax function to classify the codes of samples and recognize the category of traffic signs. The results of experiments on the Tsinghua-Tencent 100K dataset and the German Traffic Sign Recognition Benchmark dataset demonstrate the performance of the proposed IECESnetwork. Compared with other state-of-the-art methods, in the case of motion-blur and occluded environment, the proposed method achieves competitive performance precision-recall and accuracy metric average is 88.1%, 86.43% and 86.1% with a 2.9M lightweight scale, respectively. Moreover, processing time of our model is 0.1s per frame, of which the speed is increased by 1.5 times compared with existing methods.
• Abstract（参考訳）: 交通標識認識(TSR)は、補助運転とインテリジェント交通システムにおいて重要な役割を担っている。 しかし、複雑な環境の騒音は動きブルーや閉塞の問題を引き起こす可能性があり、精度が高く頑健なリアルタイム認識には難しい課題が生じる。 本稿では,改良されたエンコーダとSiameseネットを備えたIECES-networkを提案する。 提案手法の3段階的アプローチは,効率的なCNNベースのエンコーダ,シームズバックボーン,全接続層を含む。 まず、畳み込みエンコーダを用いて、拡張トレーニングサンプルと標準画像の信号の特徴を抽出し、符号化する。 そこで我々は,入力とテンプレート間の距離を計算することで,動作色と閉塞のサンプルに直面する場合のTSR問題の堅牢性を改善するために,効率の良いCNNエンコーダとコントラスト損失関数を備えたシームズニューラルネットワークを設計する。 さらに,学習後に認識タスクを実行すると,提案ネットワークのテンプレートブランチが停止し,リアルタイムモデルのプロセス速度が向上し,計算資源とパラメータスケールが軽減される。 最後に,機能コードと完全接続層をSoftMax関数で再結合し,サンプルのコードを分類し,交通標識のカテゴリを認識する。 Tsinghua-Tencent 100Kデータセットとドイツ交通信号認識ベンチマークデータセットの実験結果は、提案したIECESnetworkのパフォーマンスを示している。 他の最先端の手法と比較して, 動作ブルーと閉塞環境では, それぞれ88.1%, 86.43%, 86.1%で, それぞれ2.9Mの軽量スケールで競合性能の精度と精度を再現する。 さらに,本モデルの処理時間は1フレームあたり0.1秒であり,既存の手法に比べて1.5倍の速度で高速化されている。

関連論文リスト

• RL-based Stateful Neural Adaptive Sampling and Denoising for Real-Time Path Tracing [1.534667887016089]
  モンテカルロ経路追跡は、現実的な画像合成の強力な手法であるが、低いサンプル数での高レベルのノイズに悩まされている。 本稿では,サンプリング重要度ネットワーク,遅延空間エンコーダネットワーク,デノイザネットワークをエンドツーエンドでトレーニングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-05T12:39:27Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Toward Robotic Weed Control: Detection of Nutsedge Weed in Bermudagrass Turf Using Inaccurate and Insufficient Training Data [6.289267097017553]
  本研究では,ブムダグラス芝からナッツゲ科雑草を検出するアルゴリズムを開発した。 合成データと生データを組み合わせてネットワークを訓練する。 本稿では,提案アルゴリズムを実装し,Faster R-CNNとMask R-CNNを比較した。
  論文  参考訳（メタデータ） (2021-06-16T15:58:00Z)
• Training of mixed-signal optical convolutional neural network with reduced quantization level [1.3381749415517021]
  アナログ行列乗算加速器を用いた混合信号人工ニューラルネットワーク(ANN)は、高速化と電力効率の向上を実現することができる。 本稿では、アナログ信号の2種類の誤り、ランダムノイズ、決定論的誤り(歪み)を含む混合信号ANNの訓練方法について報告する。 その結果,提案手法で訓練した混合信号ANNは,理想量子化ステップの最大50%のノイズレベルで等価な分類精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T20:46:22Z)
• DFR-TSD: A Deep Learning Based Framework for Robust Traffic Sign Detection Under Challenging Weather Conditions [4.0075294089613465]
  本稿では,事前拡張によるCNNに基づく交通信号認識フレームワークを提案する。 提案手法は, 精度が 7.58%, 精度が 35.90% 向上した 91.1% と 70.71% の総合的精度とリコールが得られることを示した。
  論文  参考訳（メタデータ） (2020-06-03T23:12:26Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。