抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,道路シーンマルチラベル分類のための概念的に単純,柔軟で一般的な分類器を提示した。結合分類器と呼ばれるこの方法は,融合と積層戦略を用いて,単一ラベル分類器による主要なマルチラベル分類器を強化する。本モデルは,ボトルネックResnetV2-50[1],[2]をネットワークバックボーンとして,画像特徴抽出のための最先端(SOTA)アーキテクチャの1つである。各RGB入力画像(512×256)に対して,本モデルは,各ラベルグループに対して1つの特定のクラスを提供する:日,位置,および天候の時間。Berkeley DeepDrive Dataset(BDD100k)[3]に関するモデルを訓練し試験することにより,道路シーン理解のための一般的な大規模データセット,提案分類器は,マルチラベル分類問題に対する従来の分類器と比較して9%以上の精度を改善することができた。道路シーンデータセットに通常存在する不均衡問題を解くために,著者らは,[4]におけるクラスバランス(CB)焦点損失を適用した。全体として,著者らのモデルは,検証セットにおいて高精度を達成し,それは,時間クラス,位置クラス,天候クラスおよび全タイプクラスに対して,それぞれ98.11%,76.06%,69.38%および80.79%であった。分類器は,他のマルチラベル分類問題にも容易に適用でき,転送学習問題に対する効果的なアプローチである。Copyright 2021 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】