文献

J-GLOBAL ID：202202211242709247   整理番号：22A0446407

自律運転におけるオブジェクト検出のための自己教師つき学習【JST・京大機械翻訳】

Self-supervised Learning for Object Detection in Autonomous Driving

著者 (5件)： Pototzky Daniel (Robert Bosch GmbH, Gerlingen, Germany) ,  Pototzky Daniel (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany) ,  Sultan Azhar (Robert Bosch GmbH, Gerlingen, Germany) ,  Kirschner Matthias (Robert Bosch GmbH, Gerlingen, Germany) ,  Schmidt-Thieme Lars (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13024  ページ： 484-497  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  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： 最近,自己教師付き予訓練法は,オブジェクト検出を含むさまざまな下流タスクにおける画像Net重みをマッチングする印象的な結果を達成した。それらの成功にもかかわらず,これらの方法にはいくつかの限界がある。それらのほとんどは画像分類のために最適化され,全画像を記述する大域的特徴ベクトルのみを計算する。それのトップでは,それらは大きなバッチサイズ,大量のラベルなしデータおよび膨大な計算資源を良好に動作させる。これらの問題に取り組むために,SSLAD,特に自律運転の文脈における物体検出に適した自己監視学習手法を提案した。SSLADは,拡張とスケールに不変である局所画像記述子を計算する。実験では,提案手法が,自動車ドメインからの様々な物体検出データセットに対して,最先端の自己教師付き予訓練法より優れていることを示した。自動車上のビデオカメラから撮影された20,000のラベルなし画像を利用して,SSLADは,1,200,000のラベル付き画像で訓練されたImageNet重みにほぼ整合した。20のラベルなし画像が利用できるならば,SSLADはランダム初期化よりはるかに良い重みを生成し,一方,競合する自己監督法は,ほんの少しのデータしか与えない。さらに,SSLADはバッチサイズに関して非常にロバストである。1のバッチサイズでさえ,SSLADはランダム初期化よりも明らかに優れている重みを生成し,他の自己監督法を大幅に凌駕する。SSLADのこの特性は,性能の僅かな減少だけで単一GPU訓練を可能にする。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *学習 ,  自動車 ,  *教師つき学習 ,  ビデオカメラ ,  ロバスト性
準シソーラス用語： 自律性 ,  特徴ベクトル ,  画像分類 ,  *物体検出 ,  歩行者検出 ,  計算資源 ,  ラベルなしデータ , 【Automatic Indexing@JST】

著者キーワード (4件)： 自己教師つき学習 ,  オブジェクト検出 ,  自律運転 ,  歩行者検出

分類 (3件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 自律 ,  オブジェクト検出 ,  自己 ,  教師つき学習