論文の概要: Explainable Part-Based Vehicle Classifier with Spatial Awareness
- arxiv url: http://arxiv.org/abs/2605.07831v1
- Date: Fri, 08 May 2026 15:01:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.138182
- Title: Explainable Part-Based Vehicle Classifier with Spatial Awareness
- Title（参考訳）: 空間認識を考慮した説明可能な部品ベース車両分類器
- Authors: Andreas Caduff, Klaus Zahn, Jonas Hofstetter, Martin Rechsteiner, Patrick Flaig,
- Abstract要約: そこで本研究では,CNN(Convolutional Neural Networks)とCNN(Convolutional Neural Networks, 畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み型ニューラルネットワーク)を分割し, 特徴的構成, 決定木による最終分類を行う。
本研究は、ITSにおける車両分類の大幅な進歩を示し、高精度と直感的解釈性を組み合わせたシステムの基盤を形成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the area of Intelligent Transportation Systems (ITS), fine-grained vehicle classification systems play an essential role. Recently, the authors have presented a novel vision-based classification approach in which standard end-to-end Convolutional Neural Networks (CNNs) have been decomposed into 1) a CNN-based detector for semantically strong vehicle parts, followed by 2) feature construction and 3) final classification by a decision tree. In contrast to conventional CNNs, this allows both easy extensibility to new vehicle categories - without the need to fully retrain the part detector - and an important step towards the interpretability of the model, removing partially the black-box nature inherent to CNNs. Here we present an important extension of this approach that now incorporates spatial awareness of the vehicle parts: while the feature construction 2) of the previous approach used a binary decision for each feature (present vs. absent), now a full spatial probability map is constructed to condition the presence of each individual part with respect to a given vehicle category. The classification is performed using a softmax regression approach for the overall vehicle probabilities. This method shows a considerably improved robustness against false (part-)detections, a point that is crucial for practical application. Comparative analyses with a state-of-the-art end-to-end CNN indicate that our part-based methods achieve comparable accuracy, effectively challenging the presumed trade-off between accuracy and explainability. This research represents a significant advance in vehicle classification for ITS and forms the basis for systems that combine high accuracy with intuitive interpretability.
- Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)の分野では、きめ細かい車両分類システムが重要な役割を担っている。
近年、著者らは、標準のエンドツーエンド畳み込みニューラルネットワーク(CNN)を分解した、視覚に基づく新しい分類手法を提案している。
1)CNNを用いたセマンティックに強力な車両部品検出装置
2【特色構成】
3)決定木による最終分類。
従来のCNNとは対照的に、これは部品検出器を完全に再訓練する必要がない新しい車両カテゴリへの容易に拡張可能であり、CNN固有のブラックボックスの性質を部分的に取り除き、モデルの解釈可能性に向けた重要なステップである。
ここでは、車体の空間的認識を取り入れたこのアプローチの重要拡張について述べる。
2) 従来のアプローチでは, それぞれの特徴(現在と不在)に対して二項決定が用いられていたが, 現在では, 与えられた車両カテゴリーに対して各部分の存在を条件付けるために, 完全な空間確率マップが構築されている。
この分類は、全車両の確率に対するソフトマックス回帰手法を用いて行われる。
本手法は, 偽(部分)検出に対するロバスト性を大幅に改善したことを示す。
最先端のエンドツーエンドCNNとの比較分析により,我々のパートベース手法が同等の精度を達成し,精度と説明可能性の間のトレードオフを効果的に克服できることが示唆された。
本研究は、ITSにおける車両分類の大幅な進歩を示し、高精度と直感的解釈性を組み合わせたシステムの基盤を形成する。
関連論文リスト
- Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。
車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。
当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
論文 参考訳（メタデータ） (2025-07-01T09:20:41Z) - DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。
弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文 参考訳（メタデータ） (2024-05-07T07:51:28Z) - Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。
機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。
我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
論文 参考訳（メタデータ） (2023-01-03T13:51:51Z) - Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms [0.0]
異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
論文 参考訳（メタデータ） (2022-04-20T22:55:59Z) - Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
近年では、FSS ( few-shot segmentation) が広く開発されている。
本稿では,問題を緩和するための新鮮で直接的な知見を提案する。
提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
論文 参考訳（メタデータ） (2022-03-15T03:08:27Z) - Enhancing Object Detection for Autonomous Driving by Optimizing Anchor
Generation and Addressing Class Imbalance [0.0]
本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。
より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
論文 参考訳（メタデータ） (2021-04-08T16:58:31Z) - Data Augmentation and Clustering for Vehicle Make/Model Classification [0.0]
我々は、異なる年にリリースされ、異なる視点で捕獲された車両のトレーニングデータセットを利用する方法を提案する。
また, クラスタリングによる製造・モデル分類の強化効果を示す。
ResNetアーキテクチャに基づくより深い畳み込みニューラルネットワークは、車両製造/モデル分類のトレーニングのために設計されている。
論文 参考訳（メタデータ） (2020-09-14T18:24:31Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳（メタデータ） (2020-05-11T14:07:06Z) - VehicleNet: Learning Robust Visual Representation for Vehicle
Re-identification [116.1587709521173]
我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。
VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。
AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
論文 参考訳（メタデータ） (2020-04-14T05:06:38Z)
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。