抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
目的:従来の車両目標検出問題において、異なる画像の場面に対して適切な特徴を選択する必要がある。本論文では,高速領域畳込み神経回路網(Fast R-CNN)に基づくシーン画像の車両目標発見のための方法を提案し,従来の車両目標検出問題を避けるために手動の特徴を設計する必要がある。方法:この方法は,深さ学習に基づく畳込み神経回路網の考え方に基づいている。まず第一に,視覚的タスクを検出するために車両画像を使用する。選択した探索アルゴリズムを用いてサンプル画像の候補領域を獲得し、候補領域の座標を視覚タスクの実例画像と共にネットワーク学習に入力する。例として,深さ畳込みニューラルネットワークにおける畳込み層を用いて,層化層の計算を行い,最終的に深さ畳込み特性を得た。入力の際には例画像の規格が規定されておらず、その時に得られた畳込み特徴の規格は一定ではない。次に,Fast R-CNNのネットワーク構造に基づいて,関心領域におけるプール化層の規格化により,異なる全連結分岐を特性化し,次に,回帰計算特徴を分類し,フレーム座標値を検出した。複数回の反復訓練を経て、最後に指定された視覚タスクと強い相関のある目標検出モデルを獲得し、訓練の重みパラメータを持っている。新しいシーン画像において,このターゲット検出モデルを用いて,与えられたタイプの車両ターゲットを検出することができた。結果:まず、視覚タスクはバス、小自動車の二種類が含まれ、背景シーンは都市道路であることが確定された。視覚的タスクに関する試験サンプルセットを用いて,ターゲット検出モデルを試験し,実験結果は,試験サンプルのシーンと視覚タスクの相関が高いほど,車両ターゲットの変形は小さく,車両ターゲット検出モデルは車両ターゲット検出に対して良好な検出効果を持つことを示した。結論:本論文で提案した車両目標検出方法は、畳込み神経回路網を用いて、従来の手特徴抽出プロセスに代わり、Fast R-CNNを用いて、実例画像から構成される視覚タスク訓練に対して、良好な効果を有する車両目標検出モデルを得た。このモデルは,視覚的タスクに関連する新しいシーン画像に対して良好な効果を有する車両ターゲット検出を行うことができる。本論文において,従来の検出問題における特徴選択の問題を避けるために,深さ学習畳込み神経回路網のアイデアを組み合わせて,従来の手の特徴を取り替えるために,畳込み特性を用いた。より深い畳込み特性は,より良い表現能力を持った。Fast R-CNNネットワークに基づいて,最終的に,複数回の反復訓練を通して車両検出モデルを得た。この検出モデルは,本論文で定めた視覚タスクに対して良好な検出効果を示した。本論文は,車両ターゲット検出の問題を解決するために,より一般的で簡潔な解決策を提供した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】
