論文の概要: Multi-lane Detection Using Instance Segmentation and Attentive Voting
- arxiv url: http://arxiv.org/abs/2001.00236v1
- Date: Wed, 1 Jan 2020 16:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 09:30:15.404889
- Title: Multi-lane Detection Using Instance Segmentation and Attentive Voting
- Title(参考訳): インスタンスセグメンテーションと注意投票を用いたマルチレーン検出
- Authors: Donghoon Chang (1), Vinjohn Chirakkal (2), Shubham Goswami (3),
Munawar Hasan (1), Taekwon Jung (2), Jinkeon Kang (1,3), Seok-Cheol Kee (4),
Dongkyu Lee (5), Ajit Pratap Singh (1) ((1) Department of Computer Science,
IIIT-Delhi, India, (2) Springcloud Inc., Korea, (3) Center for Information
Security Technologies (CIST), Korea University, Korea, (4) Smart Car Research
Center, Chungbuk National University, Korea, (5) Department of Smart Car
Engineering, Chungbuk National University, Korea)
- Abstract要約: 本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。
54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous driving is becoming one of the leading industrial research areas.
Therefore many automobile companies are coming up with semi to fully autonomous
driving solutions. Among these solutions, lane detection is one of the vital
driver-assist features that play a crucial role in the decision-making process
of the autonomous vehicle. A variety of solutions have been proposed to detect
lanes on the road, which ranges from using hand-crafted features to the
state-of-the-art end-to-end trainable deep learning architectures. Most of
these architectures are trained in a traffic constrained environment. In this
paper, we propose a novel solution to multi-lane detection, which outperforms
state of the art methods in terms of both accuracy and speed. To achieve this,
we also offer a dataset with a more intuitive labeling scheme as compared to
other benchmark datasets. Using our approach, we are able to obtain a lane
segmentation accuracy of 99.87% running at 54.53 fps (average).
- Abstract(参考訳): 自動運転は先進的な産業研究分野の一つになりつつある。
そのため、多くの自動車メーカーが半自動運転ソリューションを考案している。
これらのソリューションの中で、車線検出は自動運転車の意思決定プロセスにおいて重要な役割を果たすドライバー・アシストの1つである。
道路上の車線検出には,手作りの機能の使用から,最先端のエンドツーエンドのディープラーニングアーキテクチャまで,さまざまな方法が提案されている。
これらのアーキテクチャのほとんどは、トラフィック制約のある環境でトレーニングされています。
本稿では,技術手法の精度と速度の両面において優れたマルチレーン検出手法を提案する。
これを実現するために、他のベンチマークデータセットと比較して、より直感的なラベル付け方式のデータセットも提供します。
提案手法により, 54.53 fps (平均) で走行する車線分割精度99.87%が得られる。
関連論文リスト
- Drive Anywhere: Generalizable End-to-end Autonomous Driving with
Multi-modal Foundation Models [114.69732301904419]
本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。
当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
論文 参考訳(メタデータ) (2023-10-26T17:56:35Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Automatic Extraction of Relevant Road Infrastructure using Connected
vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。
道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。
実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文 参考訳(メタデータ) (2023-08-10T15:57:47Z) - End-to-end Autonomous Driving: Challenges and Frontiers [46.05011954549315]
自動運転コミュニティは、エンドツーエンドのアルゴリズムフレームワークを採用するアプローチの急速な成長を目撃している。
エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、250以上の論文を包括的に分析する。
論文 参考訳(メタデータ) (2023-06-29T14:17:24Z) - Penalty-Based Imitation Learning With Cross Semantics Generation Sensor
Fusion for Autonomous Driving [1.2749527861829049]
本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。
最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。
本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
論文 参考訳(メタデータ) (2023-03-21T14:29:52Z) - Visual Exemplar Driven Task-Prompting for Unified Perception in
Autonomous Driving [100.3848723827869]
本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。
具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。
我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
論文 参考訳(メタデータ) (2023-03-03T08:54:06Z) - Multi Lane Detection [12.684545950979187]
車線検出は自動運転の基本モジュールである。
私たちの仕事はCNNのバックボーンDLA-34とAffinity Fieldsをベースにしています。
より効率的な車線検出アルゴリズムを実現するための新しい復号法について検討する。
論文 参考訳(メタデータ) (2022-12-22T08:20:08Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳(メタデータ) (2022-10-13T05:56:20Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳(メタデータ) (2020-12-04T15:10:12Z) - A Survey of End-to-End Driving: Architectures and Training Methods [0.9449650062296824]
私たちは、運転パイプライン全体を1つのニューラルネットワークに置き換える、いわゆるエンドツーエンドの自動運転アプローチについて、より深く検討しています。
本稿では,エンド・ツー・エンド駆動文学における学習方法,入力・出力モダリティ,ネットワークアーキテクチャ,評価スキームについてレビューする。
我々は、エンドツーエンドの自動運転システムの最も有望な要素を組み合わせたアーキテクチャでレビューを締めくくります。
論文 参考訳(メタデータ) (2020-03-13T17:42:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。