論文の概要: RIECNN: Real-Time Image Enhanced CNN for Traffic Sign Recognition

• arxiv url: http://arxiv.org/abs/2610.15127v1
• Date: Sat, 10 Oct 2026 19:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.166071
• Title: RIECNN: Real-Time Image Enhanced CNN for Traffic Sign Recognition
• Title（参考訳）: RIECNN:交通信号認識のためのリアルタイム画像強化CNN
• Abstract要約: 交通信号認識のためのリアルタイム画像強調CNN(our)を提案する。 当社は、複数の多様なトラフィックサインデータセットに取り組む、リアルタイムで斬新なアプローチです。 当社のアプローチは,すべてのベンチマークにおいて,最も高い認識率を達成した。
• 参考スコア（独自算出の注目度）: 0.408056462696545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traffic sign recognition plays a crucial role in the development of autonomous cars to reduce the accident rate and promote road safety. It has been a necessity to address traffic signs that are affected significantly by the environment as well as poor real-time performance for deep-learning state-of-the-art algorithms. In this paper, we introduce Real-Time Image Enhanced CNN ({\our}) for Traffic Sign Recognition. {\our} is a real-time, novel approach that tackles multiple, diverse traffic sign datasets, and out-performs the state-of-the-art architectures in terms of recognition rate and execution time. Experiments are conducted using the German Traffic Sign Benchmark (GTSRB), the Belgium Traffic Sign Classification (BTSC), and the Croatian Traffic Sign (rMASTIF) benchmark. Experimental results show that our approach has achieved the highest recognition rate for all Benchmarks, achieving a recognition accuracy of 99.75\% for GTSRB, 99.25\% for BTSC and 99.55\% for rMASTIF. In terms of latency and meeting the real-time constraint, the pre-processing time and inference time together do not exceed 1.3 ms per image. Not only have our proposed approach achieved remarkably high accuracy with real-time performance, but it also demonstrated robustness against traffic sign recognition challenges such as brightness and contrast variations in the environment.
• Abstract（参考訳）: 交通標識認識は、事故率を低減し、道路安全を促進する自動運転車の開発において重要な役割を担っている。 ディープ・オブ・ザ・アーティカルなアルゴリズムでは、環境やリアルタイムのパフォーマンスに大きく影響する交通標識に対処する必要がある。 本稿では,交通信号認識のためのリアルタイム画像強調CNN({\our})を提案する。 {\our}は、複数の多様なトラフィックサインデータセットに取り組み、認識率と実行時間の点で最先端のアーキテクチャを上回る、リアルタイムで斬新なアプローチである。 ドイツ交通信号ベンチマーク(GTSRB)、ベルギー交通信号分類(BTSC)、クロアチア交通信号ベンチマーク(rMASTIF)を用いて実験を行った。 GTSRBは99.75\%,BTSCは99.25\%,rMASTIFは99.55\%であった。 遅延とリアルタイムの制約を満たすという点では、前処理時間と推論時間は1画像あたり1.3msを超えない。 提案手法は, 実時間性能において極めて高い精度を達成できただけでなく, 環境における明るさやコントラストの変動といった交通信号認識の課題に対して頑健性を示した。

関連論文リスト

• Multi-Modal Traffic Sign Detection with Semantic Attributes for Autonomous Driving [36.63134402686799]
  視覚に基づく手法は、国間での多様性の高さによる地域間一般化の低さ、長距離での小さな物体検出における劣化性能、車両が標識に近づくと生じる強い非線形の視点歪みの下での脆弱な時間的追跡の3つの基本的な限界に直面している。 Intensity-Aware Deformable Fusionモジュールは、反射反射型LiDARキューとカメラの特徴を一致させ、領域固有の視覚的外観ではなく幾何学的不変量をアンカーするマルチモーダル検出フレームワークを提案する。 60以上の国にまたがるデータセットと2500時間以上の運転データに対する大規模な評価は、提案したパイプラインがオブジェクトミス比(Object Miss Ratio)を達成したことを示している。
  論文  参考訳（メタデータ） (2026-08-21T08:51:39Z)
• Navigating in the Dark: A Multimodal Framework and Dataset for Nighttime Traffic Sign Recognition [9.151417330446591]
  INTSDは、インドの様々な地域で収集された交通標識の街路レベルの夜間画像の大規模なデータセットである。 共同照明の補正と信号の局所化のための適応画像強調検出器を組み込んだLENS-Netを提案する。 本手法は既存のフレームワークを超越し,その重要な構成要素の有効性を検証した。
  論文  参考訳（メタデータ） (2025-11-21T12:04:53Z)
• Road Traffic Sign Recognition method using Siamese network Combining Efficient-CNN based Encoder [5.597437966490453]
  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。
  論文  参考訳（メタデータ） (2025-02-21T09:03:05Z)
• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
  交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。 記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。 提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-08T10:51:03Z)
• Redesigning Traffic Signs to Mitigate Machine-Learning Patch Attacks [4.575921073944177]
  交通信号認識(TSR)は自動運転にとって重要な安全要素である。 この研究は、交通信号の設計を再定義し、人間に解釈しながら堅牢性を促進するサインを作る新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-02-07T08:49:33Z)
• Automatic Signboard Recognition in Low Quality Night Images [1.6795461001108096]
  本稿では,低照度,雑音,ぼかしで捉えた画像から交通信号を認識することの課題について述べる。 提案手法は,Yolov4の低画質画像に対して,mAP@0.5で5.40%向上した。 また、GTSDBデータセットでmAP@0.5の100%を達成した。
  論文  参考訳（メタデータ） (2023-08-17T12:26:06Z)
• 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)
• Targeted Physical-World Attention Attack on Deep Learning Models in Road Sign Recognition [79.50450766097686]
  本稿では,現実の道路標識攻撃に対するTAA手法を提案する。 実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
  論文  参考訳（メタデータ） (2020-10-09T02:31:34Z)

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。