文献

J-GLOBAL ID：202002235084265826   整理番号：20A1566125

水中物体検出のためのPrunedニューラルネットワーク(MobileNetV2-YOLO v2)の解析【JST・京大機械翻訳】

Analysis of Pruned Neural Networks (MobileNetV2-YOLO v2) for Underwater Object Detection

著者 (5件)： Ayob A. F. (Faculty of Ocean Engineering Technology and Informatics, Universiti Malaysia Terengganu, Kuala Nerus, Malaysia) ,  Khairuddin K. (Faculty of Ocean Engineering Technology and Informatics, Universiti Malaysia Terengganu, Kuala Nerus, Malaysia) ,  Mustafah Y. M. (Department of Mechatronics Engineering, International Islamic University Malaysia, Kuala Lumpur, Malaysia) ,  Salisa A. R. (Faculty of Ocean Engineering Technology and Informatics, Universiti Malaysia Terengganu, Kuala Nerus, Malaysia) ,  Kadir K. (Garisan Automotive Sdn. Bhd., Cyberjaya, Malaysia)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 666  ページ： 87-98  発行年： 2020年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 水中物体検出は,動的で雑音の多い環境内の複数の物体同定の活動を含む。このようなタスクは,非常に動的な環境(例えば,気泡,雑多な物体)内の移動形状水中(すなわち金魚)の不整合により困難である。いくつかのオブジェクト検出アルゴリズム(例えば,YOLO,Faster-RCNNなど)のバックボーンとして,事前訓練深層学習分類器(例えば,AlexNet,ResNet,GoogLeNetなど)の応用は,近年人気を得ているが,しかし,事前訓練ニューラルネットワークのサイズを縮小する系統的研究に関する注意が不足しており,従って,実世界アプリケーションにおけるオブジェクト検出プロセスをスピードアップする。本研究では,YOLOv2オブジェクト検出フレームワークのバックボーンとして事前訓練MobileNetV2のサイズを低減する効果を調べ,実時間で金魚品種同定を行うための高速,正確および小型ニューラルネットワークモデルを構築した。Copyright Springer Nature Singapore Pte Ltd. 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 気泡 ,  雑音 ,  *ニューラルネットワーク ,  キンギョ ,  応用プログラム ,  不整合
準シソーラス用語： 神経回路網モデル ,  種判別 ,  *物体検出 ,  実時間 , 【Automatic Indexing@JST】

著者キーワード (4件)： 人工ニューラルネットワーク ,  オブジェクト検出 ,  水中工学 ,  海洋技術

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 水中 ,  物体検出 ,  ニューラルネットワーク ,  解析