文献

J-GLOBAL ID：201802246176404575   整理番号：18A1678540

悪天候条件におけるオブジェクト検出のための最適センサデータ融合アーキテクチャ【JST・京大機械翻訳】

Optimal Sensor Data Fusion Architecture for Object Detection in Adverse Weather Conditions

著者 (2件)： Pfeuffer Andreas (Ulm University, Institute of Measurement, Control, and Microtechnology,, Ulm, 89081, Germany) ,  Dietmayer Klaus (Ulm University, Institute of Measurement, Control, and Microtechnology,, Ulm, 89081, Germany)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： FUSION  ページ： 1-8  発行年： 2018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： 多様な気象条件における良好でロバストなセンサデータ融合は非常に挑戦的な課題である。文献にはいくつかの融合アーキテクチャがある。例えば,センサデータは最初(初期融合)において正しく融合することができ,それらは最初に別々に処理することができ,それから後に連結(後期融合)することができる。本研究では,異なる融合アーキテクチャを比較し,オブジェクト検出タスクにより評価した。その中で,目標はデータのストリームにおけるあらかじめ定義されたオブジェクトを認識し,位置決めすることである。通常,良く知られたベンチマークは,最適気象条件で記録されたセンサデータのみからなるので,ニューラルネットワークに基づく最先端のオブジェクト検出器は,良い気象条件に対して高度に最適化されている。したがって,これらのアプローチの性能は,有害気象条件において非常に減少するか,または失敗している。本研究では,異なるセンサ融合アーキテクチャを,多様な気象状況に対する最適融合アーキテクチャを見出すために,良好および悪い気象条件に対して比較した。また,新しい訓練戦略を導入して,オブジェクト検出器の性能が悪い気象シナリオにおいて大きく強化されるか,またはセンサが故障するかどうかについて紹介した。さらに,本論文は,検出精度がセンサの空間較正のような事前知識によってニューラルネットワークを提供することによって,さらに増加することができるかどうかの問題に応答した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *計算機アーキテクチャ ,  最適化 ,  *センサ ,  ニューラルネットワーク ,  気象 ,  センサフュージョン ,  *荒天 ,  気象条件 ,  ロバスト性 ,  ベンチマーク
準シソーラス用語： 事前知識 ,  検出精度 ,  *センサデータ ,  マルチセンサデータ融合 ,  *物体検出 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 悪天候 ,  オブジェクト検出 ,  センサデータ融合 ,  アーキテクチャ