論文の概要: Traffic Sign Recognition for Autonomous Driving Using Branched YOLOv2 and Geometric Features
- arxiv url: http://arxiv.org/abs/2609.22060v1
- Date: Fri, 18 Sep 2026 17:52:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.229833
- Title: Traffic Sign Recognition for Autonomous Driving Using Branched YOLOv2 and Geometric Features
- Title（参考訳）: 分岐YOLOv2と幾何学的特徴を用いた自律走行のための交通信号認識
- Abstract要約: 本報告では, YOLOv2に基づく交通信号認識システムについて, 同時検出と分類を行う。
選択された分岐アーキテクチャでは、0.647 s と 0.680 mAP が、ベースライン YOLOv2 では 0.6607 s と 0.680 mAP が報告されている。
実験では、3000のトレーニングと300のテストサンプルを含む10の交通信号クラスがカバーされている。
- 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: Traffic sign recognition (TSR) is an important perception task for autonomous driving and advanced driver-assistance systems, where a system must both localize traffic signs and determine their semantic classes efficiently. This work presents a TSR system based on YOLOv2 for simultaneous detection and classification. Two complementary modifications are studied. First, YOLOv2 is extended with intermediate prediction layers, forming a branched architecture that can terminate inference early for easy cases and reduce computation time. Both whole-image and cell-wise branching strategies are investigated. Second, geometric information is introduced to reduce classification errors between visually similar signs. An unsupervised Bayesian image-segmentation method produces binary representations that are compared with class-specific geometric templates inside YOLOv2 bounding boxes. This information is used either during inference or as an additional signal during training. A dedicated dataset is constructed by combining GTSDB and GTSRB samples using seamless cloning and controlled image transformations. Experiments cover ten traffic-sign classes, with 3,000 training and 300 test samples. The selected branched architecture reports 0.647 s runtime and 0.680 mAP, compared with 0.6607 s and 0.680 mAP for baseline YOLOv2. Geometric verification during inference increases mAP to 0.713, while the geometric-feature training variant achieves 0.697 mAP with a reported runtime of 0.6608 s.
- Abstract（参考訳）: 交通標識認識(TSR)は、交通標識をローカライズし、セマンティッククラスを効率的に判断するシステムにおいて、自律運転と先進運転支援システムにとって重要な認識タスクである。
本研究は、YOLOv2に基づくTSRシステムを用いて、同時検出と分類を行う。
2つの相補的な修正が研究されている。
まず、YOLOv2は中間予測層で拡張され、推論を早期に終了させ、計算時間を短縮できる分岐アーキテクチャを形成する。
画像全体および細胞レベルでの分岐戦略について検討した。
第二に、視覚的に類似した記号間の分類誤差を低減するために幾何学的情報を導入する。
教師なしベイズ画像分割法は、YOLOv2境界ボックス内のクラス固有の幾何学的テンプレートと比較されたバイナリ表現を生成する。
この情報は推論中またはトレーニング中に追加の信号として使用される。
GTSDBとGTSRBのサンプルをシームレスなクローニングと制御された画像変換を用いて組み合わせて専用のデータセットを構築する。
実験では、3000のトレーニングと300のテストサンプルを含む10の交通信号クラスがカバーされている。
選択された分岐アーキテクチャは0.647 s と 0.680 mAP を、ベースライン YOLOv2 は 0.6607 s と 0.680 mAP と報告している。
推論中の幾何学的検証はmAPが0.713に増加し、幾何学的特徴訓練の変種は0.697mAPに達し、0.6608秒と報告されている。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
クロススケールカップリングミスマッチは新しい法医学的信号である。
自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。
しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。
このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
論文 参考訳（メタデータ） (2026-09-01T05:23:48Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - MCPShield: Content-Aware Attack Detection for LLM Agent Tool-Call Traffic [1.827510863075184]
Model Context Protocol (MCP) は、エージェントが外部ツールを呼び出すために広く採用されているインタフェースである。
MCPは、各エージェントセッションをグラフとしてエンコードするMCPツールコールトラフィックのアタックフレームワークとして提示される。
論文 参考訳（メタデータ） (2026-05-11T14:55:48Z) - D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。
本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。
空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
論文 参考訳（メタデータ） (2026-01-27T23:21:59Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。
本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。
このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
論文 参考訳（メタデータ） (2024-11-13T04:49:32Z) - Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。
ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。
提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
論文 参考訳（メタデータ） (2024-10-10T22:55:12Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。