文献

J-GLOBAL ID：201802244776148834   整理番号：18A0518797

交通監視環境における車両再同定のためのマルチモーダル計量学習【Powered by NICT】

Multi-modal metric learning for vehicle re-identification in traffic surveillance environment

著者 (5件)： Tang Yi (Shenzhen Key Lab of Advanced Telecommunication and Information Processing, College of Information Engineering, Shenzhen University) ,  Wu Di (Shenzhen Key Lab of Advanced Telecommunication and Information Processing, College of Information Engineering, Shenzhen University) ,  Jin Zhi (Shenzhen Key Lab of Advanced Telecommunication and Information Processing, College of Information Engineering, Shenzhen University) ,  Zou Wenbin (Shenzhen Key Lab of Advanced Telecommunication and Information Processing, College of Information Engineering, Shenzhen University) ,  Li Xia (Shenzhen Key Lab of Advanced Telecommunication and Information Processing, College of Information Engineering, Shenzhen University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIP  ページ： 2254-2258  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 車両再同定(Re Id)は,異なる場所からの異なる時間瞬間にて分離されたカメラにより獲得された同じ車両を検索することを目的とした,主に監視環境で捕獲された車両画像間の高い類似性のために,挑戦的な課題である。畳込みニューラルネットワーク(CNN)の急速な発展に伴い,学習ベースの深い特徴は交通監視環境における車両再同定に手作りの特徴と結合する採用されている。しかし,二種類の特徴は,異なる特徴空間であり,それらは一緒に直接溶融ならば,それらの相補的相関は完全には研究できない。このような問題を解決するために,本論文では,エンドツーエンド最適化ネットワーク,車両再同定のためのよりロバストで弁別的な特徴表現を達成するにおける深い特徴と人手を融合するマルチモーダルメトリック学習アーキテクチャを提案した。大規模交通監視車両データセット上での包括的実験は筆者らの提案アプローチは,車両Re Idの最先端の方法の性能を大きく上回っていることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 計算機アーキテクチャ ,  ネットワーク ,  *多モード ,  カメラ ,  ロバスト性 ,  最適化 ,  画像 ,  類似性 ,  エンドツーエンド方式 ,  *学習 ,  高速度
準シソーラス用語： メトリック学習 ,  特徴表現 ,  特徴空間 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 交通 ,  環境 ,  同定 ,  マルチモーダル ,  計量 ,  学習