文献

J-GLOBAL ID：202002221787889328   整理番号：20A0433354

レイヤースキッピング戦略を用いた強化スパースフィルタ畳込みニューラルネットワークを用いた車両型分類【JST・京大機械翻訳】

Vehicle Type Classification Using an Enhanced Sparse-Filtered Convolutional Neural Network With Layer-Skipping Strategy

著者 (3件)： Awang Suryanti (Soft Computing & Intelligent Systems (SPINT), Faculty of Computing, Universiti Malaysia Pahang, Kuantan, Malaysia) ,  Azmi Nik Mohamad Aizuddin Nik (Soft Computing & Intelligent Systems (SPINT), Faculty of Computing, Universiti Malaysia Pahang, Kuantan, Malaysia) ,  Rahman Md. Arafatur (Soft Computing & Intelligent Systems (SPINT), Faculty of Computing, Universiti Malaysia Pahang, Kuantan, Malaysia)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 14265-14277  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 本論文において,車両タイプ分類方式を,Layer-Skipping戦略(SF-CNNLS)を有するSparse-Filtered Convolutionニューラルネットワークに基づく強化特徴抽出技術を用いることによって提案した。豊富で判別的な車両特徴を抽出するために,特徴抽出技術としてSF-CNNLS(TC-SF-CNNLS)の3チャネルを導入した。車両の局所的および全体的特徴を,輝度および色成分である画像の3つのチャネルから抽出した。この技術は,人間の眼がほとんど類似の特徴を共有する物体を識別する方法によりヒントを得られる。TC-SF-CNNLSは,バス,乗用車,タクシー,ミニバン,SUV,トラックの車両タイプを分類するために,フロントビュー画像を提供するベンチマークデータセットでテストされ,分類器としてSoftmax回帰がある。この試験は,ほとんど類似した特徴を持つが異なるクラスを持つ車両の識別におけるこの技術の能力を観察することを目的とした。また,この手法の有効性を観察するために,自己獲得データセット(spint)を用いて試験を行った。結果は精度,再現性,およびfスコアに基づいて観察され,TCSF-NNLSは0.905の平均精度ですべてのクラスを認識し,精度は0.8629~0.9548の間にあり,想起は0.83~0.96の間にあり,fスコアは0.8564~0.9523の間にあった。さらに,この技術は,5クラスの車両を試験したとき,平均精度93%で,他の既存の技術よりも優れている。Copyright 2020 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： 乗用車 ,  再現性 ,  輝度 ,  チャネル ,  タクシー ,  特徴抽出 ,  *ニューラルネットワーク ,  ベンチマーク ,  ワンボックスカー ,  有効性
準シソーラス用語： *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 戦略 ,  強化 ,  畳込みニューラルネットワーク ,  分類