文献

J-GLOBAL ID：201802217679165207   整理番号：18A1687905

交通標識検出システムのためのディープニューラルネットワークの評価【JST・京大機械翻訳】

Evaluation of deep neural networks for traffic sign detection systems

著者 (3件)： Arcos-Garcia Alvaro (Departamento de Lenguajes y Sistemas Informaticos, Universidad de Sevilla, Sevilla 41012, Spain) ,  Alvarez-Garcia Juan A. (Departamento de Lenguajes y Sistemas Informaticos, Universidad de Sevilla, Sevilla 41012, Spain) ,  Soria-Morillo Luis M. (Departamento de Lenguajes y Sistemas Informaticos, Universidad de Sevilla, Sevilla 41012, Spain)
資料名： Neurocomputing  (Neurocomputing)
巻： 316  ページ： 332-344  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 交通標識検出システムは,自律運転や運転者の安全性や支援のような,実世界の応用における重要な要素を構成する。本論文では,これまでに開発された様々な特徴抽出器(Resnet V150,Resnet V1101,Inception V2,Inception Resnet V2,Mobilenet V1,およびDarkert-19)と組み合わせたいくつかのオブジェクト検出システム(Faster R-CNN,R-FCN,SSD,およびYolo V2)の最新技術を解析した。これらのオブジェクト検出モデルの特性を調べることを目的とした。これは,移動学習により,トラヒック符号検出問題領域に修正され,具体的に適応される。特に,Microsoft COCOデータセット上で事前に訓練された種々の公開可能なオブジェクト検出モデルを,ドイツ交通機関検出ベンチマークデータセット上で微調整した。これらのモデルの評価と比較は,平均精度(mAP),メモリ割当,実行時間,浮動小数点操作の数,モデルのパラメータの数,および交通標識画像サイズの影響のような主要な計量を含んでいる。著者らの発見は,FastR-CNN Inception Resnet V2が最良のmAPを得るが,R-FCN Resnet 101は精度と実行時間の間で最良のトレードオフを示すことを示した。Yolo V2とSSD Mobilenetは,前者が競合精度結果を達成し,2番目に高速検出器であるが,後者はメモリ消費に関して最速で最も軽いモデルであり,モバイルと埋め込み装置における配置のための最適選択となる。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 高速度 ,  *交通標識 ,  モデル ,  記憶割当 ,  記憶装置 ,  ドイツ連邦共和国 ,  検出器 ,  コンピュータビジョン ,  学習 ,  携帯電話 ,  交通機関 ,  特徴抽出 ,  画像
準シソーラス用語： 微調整 ,  物体検出 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 深層学習 ,  交通標識検出 ,  畳み込みニューラルネットワーク

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 交通標識 ,  検出システム ,  ディープニューラルネットワーク ,  評価