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。
車両分類は高度道路交通システムにおいて重要な役割を果たしている。最近,深層学習は画像分類における優れた性能を示した。しかし,深いネットワークの多くのパラメータは時間がかかり,最適化する必要がある。PCANet列車が容易な軽量深層学習ネットワークである。本論文では,新しいロバストな車両分類法を提案し,PCANetの深い特徴,H OG(有向勾配のヒストグラム)の手作り特徴とHUモーメントは抽出された車両の含有量特性を記述した。さらに,空間位置情報はその識別能力を改善するためのHUモーメントに導入した。複合特徴が分類モデルを訓練するためのSVM(サポートベクトルマシン)に入力される。車両は六カテゴリー,すなわち大型バス,乗用車,オートバイ,ミニバス,トラック及びバンに分類される。実験を行うために実監視ビデオから抽出した13700車両画像を含むVehicleDatasetを構築した。平均分類精度は98.34%であり,「特徴+分類器」に基づく従来法から得られたものより4.49%高いを達成でき,GoogLeNet(98.26%)からのそれよりもわずかに高かった。提案した方法は,GPUを必要とせずGoogLeNetよりもはるかに大きい利便性を持っていた。実験結果は,特定のタスクのための,軽量深層学習ネットワークと手作り特徴から得られた深い特徴の組合せは,より深いニューラルネットワークと比較して同等あるいはそれ以上の性能を達成できることを実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】