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。
自律車両は毎日現実になるので,高精度歩行者検出は最も実用的に重要である。歩行者検出は成熟法と高度に研究話題であるが,ほとんどのデータセット(訓練と評価のための)は歩道に典型的な歩行姿勢従事者の一般的なシーンに焦点を当てた。しかし性能はほとんど観察される危険なシナリオのための最も重要である,自転車/スケートボード予期しない方法を用いた街路と人で遊んだ子供達である。このようなに尾部データを観測し,訓練および試験の両を困難にしている非常に困難である。この問題を解析するために,不安定な歩行者データセットと呼ばれる危険なシナリオの新しい注釈付きデータセットを収集した。専用収集努力が与えられたとしても,それは,現代の基準(1000画像)による比較的小さかった。大規模データ駆動型学習を探索するために,ゲームエンジンにより生成した合成データの使用を検討した。合成のための正しい前処理またはパラメータを選択する重要な課題:我々は現実的なデータのような現実的な姿勢と物体配置を持つであろう。生成敵対的ネットワークからヒントを得て,我々は大量合成データを生成し,現実的なサブセット(分類器を騙すこと),合成Impostersをdeemを選択するための識別分類器を訓練した。このパイプラインは,レンダリング/アニメーションエンジンを利用して現実的な(またはadverserial)訓練データを生成することを可能にすることを示した。興味あることに,そのようなデータはアルゴリズムをランク付けし,合成Impostersも試験時間での尾部検証,実世界展開のための困難な挑戦に使用できることを示唆することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
