文献

J-GLOBAL ID：201802264364976626   整理番号：18A2096413

交通信号認識のための機械学習法の比較研究【JST・京大機械翻訳】

A Comparative Study of Machine Learning Methods for Traffic Sign Recognition

著者 (1件)： Schuszter Ioan Cristian
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SYNASC  ページ： 389-392  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： 近年,コンピュータビジョンが行われるようになり,特殊化された特徴記述からの方向シフトと,深い残差ネットワークや畳込みニューラルネットのような深い学習とそのフレーバーに対する簡単なアルゴリズムにより,大きな変化がもたらされている。交通標識を分類するフレームワークにおけるいくつかの方法の実装の詳細を提示し,結果を比較し,交通標識認識のための良いアプローチが芸術の状態に基づいている可能性があるかどうかについていくつかの洞察を定式化した。第一の方法は,HOG記述子を抽出し,異なるクラスの交通標識間の境界を学習するためにSVM分類器を使用することからなり,より大きな分解能に対してより良い結果を示す。第二の方法は,人間の脳や眼とは異なる画像から特徴を学習する深い畳込みニューラルネットワーク[1]を使用し,第三の方法は,最近開発された深い残差ネットワーク[3]を使用し,現在,利用可能な最良のコンピュータビジョンアーキテクチャである。モデルの訓練において,BelgiumTSデータセットを用い,約60クラスの交通標識から構成した。著者らは,より新しい方法が非常により良い精度を持つことを観察して,大きな複雑さのモデルを学習することができた。方法間の比較を示し,結論を最後に引き出した。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： *機械学習 ,  コンピュータビジョン ,  残差 ,  定式化 ,  画像 ,  分解能 ,  計算機アーキテクチャ ,  交通標識 ,  ネットワーク ,  アルゴリズム ,  ニューラルネットワーク ,  畳込み
準シソーラス用語： 畳込みニューラルネットワーク ,  SVM分類 ,  *交通信号 , 【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 (3件)： 交通 ,  機械学習 ,  研究