文献

J-GLOBAL ID：201702226862423028   整理番号：17A1271332

効率的道路セグメンテーションのための自己ペースクロスモダリティ伝達学習【Powered by NICT】

Self-paced cross-modality transfer learning for efficient road segmentation

著者 (5件)： Wang Weiyue (Computer Graphics and Immersive Technologies (CGIT) laboratory of Computer Science department, University of Southern California, CA, USA) ,  Wang Naiyan (TuSimple) ,  Wu Xiaomin (Department of Electrical Engineering, University of Petroleum (East China), Shandong, China) ,  You Suya (Computer Graphics and Immersive Technologies (CGIT) laboratory of Computer Science department, University of Southern California, CA, USA) ,  Neumann Ulrich (Computer Graphics and Immersive Technologies (CGIT) laboratory of Computer Science department, University of Southern California, CA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 1394-1401  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 正確な道路セグメンテーションは,自動運転のための前提条件である。現在の最先端の方法は畳込みニューラルネットワーク(CNN)に基づいている。それにもかかわらず,それらの良好な性能は,豊富な注釈付きデータと高い計算コストを犠牲にした。本研究では,効率的な投影CNNと自己ペースモダリティ転移学習フレームワークによりこれらの二つの問題を取り上げて論じた。具体的には,ステレオ画像の助けを借りて,最初の関連が容易で,よく発達した,教師なし法を用いた自由空間検出に取り組んでいる。,自己ペースCNN学習を用いた単一RGB法へのこれら有用であるが雑音の多い知識深さ法を移動させる。最後に,少数のアノテーション付き画像を用いたCNNを微調整する良好な性能を得るためにする必要があるだけであった。添加では,効率的な投影CNN,わずかな付加的コストを持つ微細粒セグメンテーション結果を向上させることができるを提案した。最後に,KITTI道路ベンチマーク上で提案手法のテストを行った。著者らの提案した方法は,15fpsの速度ですべての公表された方法に比べて優れている。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 立体画像 ,  自動運転 ,  アノテーション ,  *道路 ,  ベンチマーク ,  *セグメンテーション ,  雑音 ,  畳込み ,  *学習 ,  画像 ,  ニューラルネットワーク
準シソーラス用語： 微調整 ,  自由空間 ,  転移学習 ,  計算コスト , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 道路 ,  セグメンテーション ,  自己 ,  学習