先進運転支援システム（ADAS）と自動運転車（AV）は、認識モデルを利用して、 インテリジェント・スピード・アシスタンス (ISA)など、要求される安全技術に従って交通標識を正確に検出して分類します。これらの認識モデルをトレーニングするには、ADASおよびAVプログラムには、多様で正確にラベル付けされた大量のデータが必要です。
交通標識の外観、照明、天候 (図1)、オクルージョンには大きなばらつきがあるため、考えられるすべてのシナリオを網羅する現実世界のデータを収集することは、多くの場合、大きなコストがかかり、不可能な場合もあります。Applied Intuitionの交通標識データセットのような合成データセットは、ADAS および AV プログラムにおける認識モデルの開発期間を短縮できると同時に、生成されるモデルが堅牢で現実の世界で良好に機能することを保証できます。
Applied Intuitionの認識シミュレーションチームは、機械学習（ML）モデルトレーニングで合成データが実際のデータをどのように補完できるかを調査するケーススタディを実施しました。この調査では、合成交通標識データが認識モデルの交通標識分類のパフォーマンスを向上させることができるかどうかを具体的に調べています。
合成データにより、必要とされる実際のトレーニングデータを 90% 削減できます
私たちの調査結果により、合成データにより、交通標識分類タスクにおける認識モデルのパフォーマンスを向上させながら、ラベル付けされた現実世界のデータの必要性を減らすことができることが示されました。私たちの実験では、合成データと実データの両方でトレーニングされたモデルが、実データのみでトレーニングされたベースラインモデルよりも優れていることが実証されています。また、合成データを使用すると、必要とされる実際のトレーニングデータ
が 90%削減できることがわかりました (図 2)。具体的には、合成データに加えて 1 クラスあたり 10 枚の現実世界の画像で学習させたモデルが、1 クラスあたり 100 枚以上の現実世界の画像で学習させたモデルに匹敵するパフォーマンスが得られることを確認しました。
続きはこちら
以下にメールアドレスを入力して、ケーススタディの全文をお読みください。 弊社チームにお問い合わせください ご不明な点がある場合、または当社について詳しく知りたい場合は 交通標識データセット。
.webp)
.webp)
