文献

J-GLOBAL ID：201702241244102090   整理番号：17A0198920

グラフモデルと畳込み神経回路網に基づく交通標識識別法【JST・京大機械翻訳】

Traffic sign recognition method based on graphical model and convolutional neural network

著者 (5件)： Liu Zhanwen (School of Information Engineering, Chang’an University) ,  Zhao Xiangmo (School of Information Engineering, Chang’an University) ,  Li Qiang (School of Information Engineering, Chang’an University) ,  Shen Chao (School of Information Engineering, Chang’an University) ,  Wang Jiaojiao (School of Electronic and Control Engineering, Chang’an University)
資料名： Jiaotong Yunshu Gongcheng Xuebao  (Jiaotong Yunshu Gongcheng Xuebao)
巻： 16  号： 5  ページ： 122-131  発行年： 2016年 
JST資料番号： C5018A  ISSN： 1671-1637  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 交通標識識別のロバスト性を向上させるために,グラフモデルと畳込み神経回路網(CNN)に基づく交通標識認識法を提案し,領域ベースの畳込みニューラルネットワーク(R-CNN)交通標識認識システムを構築した。本論文では,超(超)の超ピクセル領域に基づくグラフモデルを構築し,ボトムアップにおけるマルチレベル情報を効果的に利用し,交通標識の関心領域を抽出し,畳込み神経回路網を用いて関心領域を抽出し,特徴抽出と分類を行うために畳込みニューラルネットワークを利用した。検出結果は以下を示す。速度標識に対して、UCM超ピクセル領域に基づく図モデルは簡単な線形反復クラスタリング(SLIC)超ピクセルに基づく図モデルより、上層の顕著なマップの大規模構造情報を獲得するのに有利である。事前位置制約と局所特徴(色と境界)に基づく階層的有意性モデルは,局所領域の詳細情報と構造情報を効果的に融合し,検出結果はより正確で,検出精度は0.65,再現率は0.8,F指数は0.73であった。それらは,スーパーに基づく他の類似性検出アルゴリズムよりも高かった。具体的な検出タスクに基づくCNNの事前訓練戦略は、ドイツの交通標識識別データベース(GTSRB)のサンプル集合を拡張し、CNNの大量の学習能力を活用し、目標の局部の微細な特徴をよりよく学習し、学習と識別能力を向上させ、総識別率は%%である。それはSVM分類器のものより高い。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 類似性 ,  線形性 ,  ロバスト性 ,  *畳込み ,  クラスタ化 ,  *神経回路網 ,  画素 ,  特徴抽出 ,  *交通標識 ,  データベース ,  制約条件
準シソーラス用語： 認識率 ,  再現率 ,  関心領域 ,  *グラフモデル , 【Automatic Indexing@JST】

著者キーワード (5件)： traffic control ,  traffic sign ,  saliency detection ,  convolutional neural network ,  pre-training strategy

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (5件)： グラフモデル ,  畳込み ,  神経回路網 ,  交通標識 ,  識別