文献

J-GLOBAL ID：201702264795821907   整理番号：17A0504338

極度学習機械を用いた畳込みニューラルネットワークの高速学習法と車線検出へのその応用

Fast learning method for convolutional neural networks using extreme learning machine and its application to lane detection

著者 (4件)： Kim Jihun (School of Electronics Engineering, Kyungpook National University, 1370 Sankyuk-Dong, Puk-Gu, Taegu 702-701, Republic of Korea) ,  Kim Jonghong (School of Electronics Engineering, Kyungpook National University, 1370 Sankyuk-Dong, Puk-Gu, Taegu 702-701, Republic of Korea) ,  Jang Gil-Jin (School of Electronics Engineering, Kyungpook National University, 1370 Sankyuk-Dong, Puk-Gu, Taegu 702-701, Republic of Korea) ,  Lee Minho (School of Electronics Engineering, Kyungpook National University, 1370 Sankyuk-Dong, Puk-Gu, Taegu 702-701, Republic of Korea)
資料名： Neural Networks  (Neural Networks)
巻： 87  ページ： 109-121  発行年： 2017年03月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 最近,ディープラーニングは人工知能の分野における多くの問題に対する有望な解法としてかなりの注目を集めている。いくつかのディープラーニングアーキテクチャのうち,畳込みニューラルネットワーク(CNN)は物体検出や認識の応用において,他の機械学習法と比べるとより優れた性能を示している。画像強化や高速道路での運転車線の検出にCNNを用いた。一般的に,車線検出の処理はエッジ抽出と車線検出からなる。CNNはエッジ検出結果にとって無関係なノイズや障害物を除外することによって,車線検出前に入力画像を強化するために利用できる。しかしながら,畳込みCNNの訓練は相当な計算と大きなデータセットを必要とする。それゆえに,極度学習機械(ELM)を用いたCNNの新しい学習アルゴリズムを提案した。ELMは単一の逐次代入で出力層と隠れ層の間のネットワーク重みを計算するために利用される高速な学習法であるので,最小の訓練データを用いて正確な結果を生成しながら学習時間を劇的に削減できる。畳込みELMは単一の隠れ層を持つネットワークに適用でき,そのようなものとしてCNNフレームワークにおける積層ELMアーキテクチャを提案した。さらに,隠れ層のターゲットを見つけ,性能を維持しながらネットワーク重みを効率的に学習するように逆伝播法アルゴリズムを修正した。実験結果は提案法が学習時間の削減と性能の向上において有効なことを裏付けた。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *ニューラルネットワーク ,  検出 ,  *機械学習 ,  *車線 ,  高速道路 ,  *コンピュータビジョン ,  障害物回避 ,  畳込み ,  学習アルゴリズム ,  システムアーキテクチャ ,  逆伝搬法 ,  評価試験
準シソーラス用語： ディープラーニング ,  車線検出

著者キーワード (4件)： Convolutional neural network ,  Extreme learning machine ,  Advanced driver assistance system ,  Lane detection

分類 (4件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z) ,  交通管制・規制  (TB01032S) ,  パターン認識  (JE07000S)

引用文献 (44件)：

• Aly, M. (2008). Real time detection of lane markers in urban streets. In Intelligent vehicles symposium, 2008 IEEE (pp. 7-12). IEEE.
• Apostoloff, N., & Zelinsky, A. (2003). Robust vision based lane tracking using multiple cues and particle filtering. In Intelligent vehicles symposium, 2003. Proceedings. IEEE (pp. 558-563). IEEE.
• Assidiq, A. A., Khalifa, O. O., Islam, R., & Khan, S. (2008). Real time lane detection for autonomous vehicles. In International conference on computer and communication engineer-ing, 2008, ICCCE 2008. (pp. 82-88). IEEE.
• Benligiray, B., Topal, C., & Akinlar, C. (2012). Video-based lane de-tection using a fast vanishing point estimation method. In Multimedia, ISM, 2012 IEEE international symposium on IEEE, December (pp. 348-351).
• Bertozzi, M., & Broggi, A. (1996). Realtime lane and obstacle detection on the system. Proceedings of the IEEE Intelligent Vehicles, 213-218.

タイトルに関連する用語 (4件)： 極度学習機械 ,  畳込みニューラルネットワーク ,  車線検出 ,  応用