文献

J-GLOBAL ID：202002225313105477   整理番号：20A2071597

Fisherベクトルの神経埋込みを用いた高速で一般化可能なナンバープレート再同定【JST・京大機械翻訳】

Fast and Generalisable License Plate Re-identification using Neural Embedding of Fisher Vectors

著者 (4件)： Kumar Abhinav (University of Utah, Salt Lake City, UT, USA) ,  Gupta Shantanu (University of Wisconsin-Madison, Madison, WI, USA) ,  Kozitsky Vladimir (MKS Instruments, Andover, MA, USA) ,  Madhvanath Sriganesh (eBay, New York, NY, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICVGIP 2018  ページ： 1-9  発行年： 2018年 
JST資料番号： D0698C  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： 1ショット画像検索問題としてここで処理したライセンスプレート再識別タスクを考察した。著者らの目的は,与えられたライセンスプレート(テンプレート画像と呼ぶ)の単一訓練画像がテスト時間で高精度で最近傍検索を行うのに十分であるようなライセンスプレート画像に対する特徴表現を学習することである。また,特徴表現はデータセットを通して理想的に一般化可能であり,資源制約付き組込みハードウェアまたは適度に強力な携帯電話上で実時間で抽出可能である。訓練された深い畳み込みネットワークから学習された,また訓練されたFisherベクトルから導かれたものと同様に,人再識別(re-id)文献からの表現を評価する。畳み込みネットワーク特徴はFisherベクトルよりも良好に機能するが,三重項損失を用いてf2nnと呼ばれる2つの完全接続層を介してFisherベクトルを低次元空間に投影するハイブリッドモデルから同等の結果を得る。提案したハイブリッドモデルf2nnは,訓練コーパスに異種のデータセットで畳み込み特徴より優れ,一般化する特徴を生成する。モデルは,ステージで訓練され,特徴を抽出するために有意に少ない時間を取ることができる。さらに,それは,より高速な再同定をもたらすライセンスプレート画像に対して,はるかに小さな特徴次元を使用し,従って,モバイルデバイスのような資源制約プラットフォームに適している。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  *ベクトル ,  ネットワーク ,  ハードウェア ,  粒状材 ,  携帯電話 ,  コーパス ,  画像検索
準シソーラス用語： *ナンバープレート ,  モバイルデバイス ,  高精度 ,  ハイブリッドモデル ,  実時間 ,  テンプレート画像 ,  資源制約 , 【Automatic Indexing@JST】

著者キーワード (9件)： 次元縮小 ,  特徴生成 ,  Fisherベクトルニューラルネットワーク ,  一般化化 ,  画像検索 ,  ナンバープレート再同定 ,  光学的文字認識 ,  署名マッチング ,  三重項損失

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： ベクトル ,  神経 ,  埋込み ,  一般化 ,  ナンバー ,  同定