Random DropoutとEnsemble Inference Networksによる歩行者検出と標識認識

• Item type: Journal(1)
• 公開日: 2016-03-15
• タイトル: Random DropoutとEnsemble Inference Networksによる歩行者検出と標識認識
• タイトル / 言語: en
• タイトル: Random Dropout and Ensemble Inference Networks for Pedestrian Detection and Traffic Sign Recognition
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集：学生・若手研究者論文(特選論文)] 畳み込みニューラルネットワーク，Random Dropout，Ensemble Inference Networks，Dropout
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 中部大学
• 著者所属: 中部大学
• 著者所属: 中部大学
• 著者所属: 中部大学
• 著者所属: 名古屋大学
• 著者所属(英): en
• 著者所属(英): Chubu University
• 著者所属(英): en
• 著者所属(英): Chubu University
• 著者所属(英): en
• 著者所属(英): Chubu University
• 著者所属(英): en
• 著者所属(英): Chubu University
• 著者所属(英): en
• 著者所属(英): Nagoya University
• 著者名: 福井, 宏; 山下, 隆義; 山内, 悠嗣; 藤吉, 弘亘; 村瀬, 洋
• 著者名(英): Hiroshi, Fukui; Takayoshi, Yamashita; Yuji, Yamauchi; Hironobu, Fujiyoshi; Hiroshi, Murase
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: Advanced Driver Assistance Systemにおいて，ドライバの運転支援と歩行者との接触事故防止を実現するために，画像による歩行者検出と標識認識が重要な技術となっている．歩行者検出と標識認識は，これまで手動で設計した特徴量を識別器に入力して学習する方法が一般的に用いられているが，近年，Deep Learningを用いたアプローチが，手動で設計した特徴量を用いたアプローチを大きく上回ったことで注目されている．しかし，Deep Learningを用いたアプローチは，精度向上のために層を深くしたり，他の識別器と併用したりするアプローチが多い．そのため，これらのアプローチはネットワークの構造が複雑になる傾向がある．本稿では，1つのネットワークで高い性能の歩行者検出と標識認識を実現するため，DropoutのアルゴリズムをベースとしたRandom DropoutとEnsemble Inference Networksを提案する．従来のDropoutは，学習時の各更新処理において一定の割合で選択したユニットの応答値を0にしている．提案するRandom Dropoutは，ランダムに決定した割合で選択したユニットの応答値を0にすることでDropoutよりも汎化性能を向上させる．Ensemble Inference Networksは，評価時に構造の異なる全結合層を複数生成し，各全結合層の応答値を統合することで，最終的な出力を得る．本研究では，1) Random Dropoutにより，歩行者や標識の隠れや姿勢変動に頑健であるネットワークを構築する．2) Ensemble Inference Networksは，複数の全結合層により誤検出と誤認識を削減する．評価実験により，歩行者検出と標識認識において，提案手法はEnd-to-Endで学習可能な単純な構造のネットワークであるにもかかわらず，各ベンチマークの高性能なDeep Learningベースの手法と同等の精度であることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: To saving the driver and pedestrian from vehicle accident, vision based pedestrian detection and traffic sign recognition are important technology for Advanced Driver Assistance System. Pedestrian detection and traffic sign recognition based on machine learning and hand-craft feature became common approach. Deep Learning approaches are applied to challenging tasks and archives the state-of-the-art performance. However, network structure that becoming more deeper of using other classifier in order to improve the accuracy. In this paper, we propose Random Dropout and Ensemble Inference Networks to tackle these problems with same approach for both tasks. Random Dropout selects units at random with a flexible rate, instead of the fixed rate used in conventional Dropout. Ensemble Inference Networks generate multiple networks that have different structures in full connection layers. Our contributions are, 1) obtains better representation network at training process by Random Dropout, Here, the size of the our network is equivalent to the conventional CNN. 2) achieves the high performance for pedestrian detection and traffic sign recognition with Ensemble Inference Network. The proposed methods achieves comparable performance to high performance deep learning methods, even though the structure of the proposed methods are considerably simpler.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 57, 号 3, p. 910-921, 発行日 2016-03-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764