Dense-TNT: Efficient Vehicle Type Classification Neural Network Using Satellite Imagery

要約

正確な車種分類は、高度道路交通システムにおいて重要な役割を果たします。
定規が道路状況を理解することは重要であり、通常、交通信号制御システムが対応して交通渋滞を緩和するのに役立ちます。
航空写真やリモート センシング データなどの新しい技術と包括的なデータ ソースは、より豊富で高次元の情報を提供します。
また、ディープ ニューラル ネットワーク テクノロジの急速な発展により、画像ベースの車両分類方法は、データを処理する際に、基礎となる客観的な特徴をより適切に抽出できます。
最近、この問題を解決するためにいくつかの深層学習モデルが提案されています。
ただし、従来の純粋な畳み込みベースのアプローチでは、グローバルな情報抽出に制約があり、悪天候などの複雑な環境によって認識能力が大幅に制限されます。
複雑な環境下での車両タイプ分類機能を改善するために、この研究では、Densely Connected Convolutional Network (DenseNet) と Transformer in Transformer (TNT) を積み重ねることにより、車両タイプ分類のための新しい Densely Connected Convolutional Transformer in Transformer Neural Network (Dense-TNT) フレームワークを提案します。
) レイヤー。
認識能力の評価には、3 地域の車両データと 4 つの異なる気象条件が使用されます。
実験結果は、濃い霧の気象条件下でも、提案された車両分類モデルの認識能力がほとんど減衰しないことを検証しています。

要約(オリジナル)

Accurate vehicle type classification serves a significant role in the intelligent transportation system. It is critical for ruler to understand the road conditions and usually contributive for the traffic light control system to response correspondingly to alleviate traffic congestion. New technologies and comprehensive data sources, such as aerial photos and remote sensing data, provide richer and high-dimensional information. Also, due to the rapid development of deep neural network technology, image based vehicle classification methods can better extract underlying objective features when processing data. Recently, several deep learning models have been proposed to solve the problem. However, traditional pure convolutional based approaches have constraints on global information extraction, and the complex environment, such as bad weather, seriously limits the recognition capability. To improve the vehicle type classification capability under complex environment, this study proposes a novel Densely Connected Convolutional Transformer in Transformer Neural Network (Dense-TNT) framework for the vehicle type classification by stacking Densely Connected Convolutional Network (DenseNet) and Transformer in Transformer (TNT) layers. Three-region vehicle data and four different weather conditions are deployed for recognition capability evaluation. Experimental findings validate the recognition ability of our proposed vehicle classification model with little decay, even under the heavy foggy weather condition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google