文献

J-GLOBAL ID：201702248542493311   整理番号：17A1970618

マルチチャネルとマルチタスク畳込みニューラルネットワークを用いた混雑シーンにおける車両計数【Powered by NICT】

Vehicle counting in crowded scenes with multi-channel and multi-task convolutional neural networks

著者 (5件)： Sun Maojin (Transportation Management College, Dalian Maritime University, Dalian, China) ,  Wang Yan (Anhui University, Hefei 230601, China) ,  Li Teng (Anhui University, Hefei 230601, China) ,  Lv Jing (Transportation Management College, Dalian Maritime University, Dalian, China) ,  Wu Jun (Chongqing KaizeTechnology Co., Ltd, China)
資料名： Journal of Visual Communication and Image Representation  (Journal of Visual Communication and Image Representation)
巻： 49  ページ： 412-419  発行年： 2017年 
JST資料番号： W0218A  ISSN： 1047-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 混雑した都市環境における車両計数は公衆安全の分野で大きな役割を果たしている。車両計数に関する大部分の既存の研究は,ビデオシーケンスに焦点を当てた。これらの技術は著しい進歩を達成しているが,それは著しい欠点:移動賦形剤のみを計数することができた。は自動車が最も混雑した例,例えば駐車場と交通信号交差点における停止されることの多い現実的ではない。この問題に対処するために,本論文では,静止画像から車両を計数する新しいマルチチャネルとマルチタスク畳込みニューラルネットワーク(CNN)を提案した。より特別に,照明不変性画像を生成し,入力チャネル,より詳細を処理できるとして元の濃淡画像とを結合するための新しいアルゴリズムを提案した。また,局所一貫性深部回帰問題として車両計数をdeem,それを適合させるために局所ラベル教師つき深CNNモデルを用いた。さらに,車両計数タスクの性能を改善するための関連タスクとして監視カメラ視野分類を利用し,二つのタスクは,エンドツーエンド共同訓練した。提案したモデルを評価するために,研究のための実務作業のデータセットを収集し,大規模な実験結果は,提案した方法が既存の最先端の方法よりも優れていることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *チャネル ,  照明 ,  濃淡画像 ,  不変性 ,  *畳込み ,  自動車 ,  静止画像 ,  信号交差点 ,  *ニューラルネットワーク ,  アルゴリズム
準シソーラス用語： 監視カメラ ,  ビデオシーケンス ,  *計数 ,  *マルチタスク ,  *マルチチャネル , 【Automatic Indexing@JST】

著者キーワード (5件)： 車両計数 ,  都市環境 ,  意味論的特徴 ,  回帰 ,  分類

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： マルチチャネル ,  マルチタスク ,  畳込みニューラルネットワーク ,  シーン ,  計数