論文の概要: A Benchmark for Vehicle Attribute Classification in Cross-Domain Surveillance Scenarios

• arxiv url: http://arxiv.org/abs/2609.01584v1
• Date: Tue, 01 Sep 2026 17:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.921682
• Title: A Benchmark for Vehicle Attribute Classification in Cross-Domain Surveillance Scenarios
• Title（参考訳）: クロスドメインサーベイランスシナリオにおける車両属性分類のベンチマーク
• Authors: Sergio M. Silva, Otavio T. Remer, Gabriel E. Lima, Lucas Wojcik, Rayson Laroca, David Menotti,
• Abstract要約: 本稿では,3つの運転車両分析タスクを評価するベンチマークであるUnconstrained Vehicle Identification Benchmark (UVIB)を紹介する。 ベンチマークには、ブラジルの7つの公開データセットから84,835台の車両画像が含まれており、監視と一般の取得ドメインにグループ化されている。 その結果、ドメインシフトはアーキテクチャの選択よりも強い影響を示し、ドメイン間の設定が大幅に低下している。
• 参考スコア（独自算出の注目度）: 1.907858714149189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle attribute analysis is a key component of Intelligent Transportation Systems (ITS), supporting applications such as vehicle identification, traffic monitoring, and forensic investigation. However, models trained under controlled conditions often degrade in real surveillance scenarios due to changes in viewpoint, occlusion, illumination, and sensor characteristics. This paper introduces Unconstrained Vehicle Identification Benchmark (UVIB), a benchmark for evaluating three operational vehicle-analysis tasks: front/rear orientation, occlusion-related suitability for Vehicle Make and Model Recognition (VMMR), and color clarity. The benchmark contains 84,835 vehicle images from seven public Brazilian datasets, grouped into surveillance and general acquisition domains, with unified binary annotations that were not jointly available in the original sources. Four representative architectures, EfficientNetV2-S, ResNet-50, ViT/B-16, and YOLO11s-cls, are evaluated under mixed-domain, cross-domain, and cross-dataset protocols. The results show that domain shift has a stronger impact than architecture choice, with substantial degradation in cross-domain settings, especially for VMMR suitability and color clarity. While orientation generalizes more reliably, VMMR suitability remains affected by class imbalance and ambiguous occlusions, and color clarity is highly sensitive to illumination and sensor modality. These findings highlight the need for benchmarks and evaluation protocols that explicitly measure operational robustness beyond standard in-domain accuracy. The proposed benchmark is publicly available at https://github.com/UFPR-IPASP-PR/uvib-vehicle-attributes/.
• Abstract（参考訳）: 車両属性分析はインテリジェントトランスポーテーションシステム(ITS)の重要なコンポーネントであり、車両識別、交通監視、法医学的調査などのアプリケーションをサポートする。 しかし、制御条件下で訓練されたモデルは、視点、閉塞、照明、センサー特性の変化により、実際の監視シナリオで劣化することが多い。 本稿では,前/後方向,排他的適合性(VMMR),色明度という,3つの運転車両分析タスクを評価するためのベンチマークであるUnconstrained Vehicle Identification Benchmark(UVIB)を紹介する。 ベンチマークには、ブラジルの7つの公開データセットから84,835の車両イメージが含まれており、監視と一般的な取得ドメインにグループ化されている。 EfficientNetV2-S, ResNet-50, ViT/B-16, YOLO11s-clsの4つの代表的なアーキテクチャを混合ドメイン、クロスドメイン、クロスデータセットプロトコルで評価する。 その結果、ドメインシフトはアーキテクチャ選択よりも強い影響を示し、特にVMMRの適合性と色明快性において、クロスドメイン設定が大幅に低下している。 配向はより確実に一般化されるが、VMMR適合性はクラス不均衡や曖昧な閉塞の影響を受け、色透明度は照明やセンサのモダリティに非常に敏感である。 これらの知見は、標準のドメイン内精度を超える運用上の堅牢性を明示的に測定するベンチマークと評価プロトコルの必要性を強調している。 提案されたベンチマークはhttps://github.com/UFPR-IPASP-PR/uvib-vehicle-attributes/で公開されている。

関連論文リスト

• Traffic Sign Recognition in Autonomous Driving: Dataset, Benchmark, and Field Experiment [15.782194207723975]
  交通信号認識(TSR)は、自動運転における中核的な認識能力である。 本稿では,大規模かつグローバルなトラフィックサインデータセットTS-1Mを提案する。 3つの代表的な学習パラダイムにまたがって統一されたベンチマークを実施します。
  論文  参考訳（メタデータ） (2026-03-24T10:11:27Z)
• UAV traffic scene understanding: A regulation embedded multi-modal network and a unified benchmark [22.241798167957214]
  無人航空機(UAV)プラットフォームからの交通状況の理解は、インテリジェント輸送システムにとって不可欠である。 既存の手法は、光学画像に大きく依存しているため、現実世界の監視において重大な課題に直面している。 本稿では,UAVトラフィックシーン理解のための新しいマルチモーダルトラフィック認知ネットワーク(MTCNet)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T12:53:38Z)
• VISAT: Benchmarking Adversarial and Distribution Shift Robustness in Traffic Sign Recognition with Visual Attributes [18.89029074477177]
  本稿では,視覚的属性のある交通標識認識タスクにおいて,モデルロバスト性を評価するための新しいオープンデータセットとベンチマークスイートを提案する。 当社のデータセットでは,敵攻撃と分散シフトに対する堅牢性をそれぞれ強調する2つのベンチマークを導入している。 本研究では,ResNet-152 と ViT-B/32 の2つの主要なバックボーンに着目し,ベースモデルと MTL モデルの比較を行った。
  論文  参考訳（メタデータ） (2025-10-29T18:31:21Z)
• Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
  本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
  論文  参考訳（メタデータ） (2025-10-01T05:19:50Z)
• Cross-Spectral Body Recognition with Side Information Embedding: Benchmarks on LLCM and Analyzing Range-Induced Occlusions on IJB-MDF [51.36007967653781]
  ViT(Vision Transformers)は、顔や身体の認識を含む幅広い生体計測タスクにおいて、印象的なパフォーマンスを誇示している。 本研究では、視認性(VIS)画像に事前訓練されたVTモデルを、クロススペクトル体認識の難しい問題に適用する。 このアイデアに基づいて、我々はSide Information Embedding (SIE)を統合し、ドメインとカメラ情報のエンコーディングの影響を調べ、スペクトル間マッチングを強化する。 驚くべきことに、我々の結果は、ドメイン情報を明示的に組み込むことなく、カメラ情報のみを符号化することで、LLCMデータセット上で最先端のパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2025-06-10T16:20:52Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
  非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。 既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。 本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-19T13:30:45Z)

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。