文献

J-GLOBAL ID：202102253330560581   整理番号：21A0993550

ピクセル毎符号曝露測定を用いた実時間および深層学習ベースの車両検出と分類【JST・京大機械翻訳】

Real-Time and Deep Learning Based Vehicle Detection and Classification Using Pixel-Wise Code Exposure Measurements

著者 (9件)： Kwan Chiman (Applied Research LLC, Rockville, MD 20850, USA) ,  Gribben David (Applied Research LLC, Rockville, MD 20850, USA) ,  Chou Bryan (Applied Research LLC, Rockville, MD 20850, USA) ,  Budavari Bence (Applied Research LLC, Rockville, MD 20850, USA) ,  Larkin Jude (Applied Research LLC, Rockville, MD 20850, USA) ,  Rangamani Akshay (Electrical and Computer Engineering Department, Johns Hopkins University; Baltimore, MD 21218, USA) ,  Tran Trac (Electrical and Computer Engineering Department, Johns Hopkins University; Baltimore, MD 21218, USA) ,  Zhang Jack (Picower Institute for Learning and Memory, Massachusetts Institute of Technology, Cambridge, MA 02138, USA) ,  Etienne-Cummings Ralph (Electrical and Computer Engineering Department, Johns Hopkins University; Baltimore, MD 21218, USA)
資料名： Electronics (Web)  (Electronics (Web))
巻： 9  号： 6  ページ： 1014  発行年： 2020年 
JST資料番号： U7178A  ISSN： 2079-9292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 圧縮センシングの1つの重要な利点は,少量の生ビデオデータだけが伝送されるか,あるいは保存されることである。これは帯域幅制約アプリケーションにおいて極めて重要である。さらに,いくつかのシナリオにおいて,局所処理装置は,オブジェクト検出と分類を扱うための十分な処理電力を持たず,従って,遠隔位置において,重負荷処理タスクを行う必要がある。従来の圧縮センシングスキームは,その後の処理を開始する前に最初に再構成される圧縮データを必要とする。これは時間を消費するだけでなく,プロセスにおける重要な情報を失う可能性がある。本論文では,画像再構成無しに圧縮測定を直接処理するための実時間フレームワークを提案した。ピクセルワイズ符号化露光(PCE)として知られる特殊なタイプの圧縮測定を,著者らのフレームワークにおいて採用した。PCEは複数のフレームを単一フレームに凝縮する。また,個々のピクセルは,高いダイナミックレンジを可能にする異なる曝露時間を有する。オブジェクト検出と分類のための実時間システムにおいて,Youle Look(YOLO)として知られる深層学習ツールを用いた。大規模な実験は,提案したリアルタイムフレームワークが実行可能であり,検出と分類性能を達成できることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 電力 ,  露光 ,  *画素 ,  再構成 ,  応用プログラム ,  帯域幅 ,  ダイナミックレンジ ,  処理装置 ,  深層 ,  画像再構成
準シソーラス用語： 物体検出 ,  実時間 ,  圧縮センシング ,  学習ツール ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： リアルタイム ,  深層学習 ,  検出 ,  分類 ,  無線 ,  圧縮測定

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (31件)：

• Candes, E.J.; Wakin, M.B. An introduction to compressive sampling. IEEE Signal Process. Mag. 2008, 25, 21-30.
• Bertinetto, L.; Valmadre, J.; Golodetz, S.; Miksik, O.; Torr, P.H.S. Staple: Complementary learners for real-time tracking. In Proceedings of the 2016 IEEE conference on computer vision and pattern recognition (CVPR), Las Vegas, NV, USA, 27-30 June 2016.
• Stauffer, C.; Grimson, W.E.L. Adaptive background mixture models for real-time tracking. In Proceedings of the 1999 IEEE computer society conference on computer vision and pattern recognition (Cat. No PR00149), Fort Collins, CO, USA, 23-25 June 1999.
• Kwan, C.; Chou, B.; Kwan, L.-Y.M. A Comparative Study of Conventional and Deep Learning Target Tracking Algorithms for Low Quality Videos. In Advances in Neural Networks-ISNN 2018; Huang, T., Lv, J., Sun, C., Tuzikov, A., Eds.; Springer: Cham, Switzerland, 2018; Volume 10878, pp. 521-531.
• Kwan, C.; Chou, B.; Yang, J.; Tran, T. Compressive object tracking and classification using deep learning for infrared videos. In Proceedings of the Volume 10995, Pattern Recognition and Tracking XXX, Baltimore, MD, USA, 13 May 2019.

タイトルに関連する用語 (7件)： ピクセル ,  符号 ,  曝露 ,  実時間 ,  深層学習 ,  車両検出 ,  分類