論文の概要: Real-Time Lane ID Estimation Using Recurrent Neural Networks With Dual Convention

• arxiv url: http://arxiv.org/abs/2001.04708v1
• Date: Tue, 14 Jan 2020 10:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:42:13.047189
• Title: Real-Time Lane ID Estimation Using Recurrent Neural Networks With Dual Convention
• Title（参考訳）: 二重規則型再帰ニューラルネットワークを用いた実時間レーンid推定
• Authors: Ibrahim Halfaoui, Fahd Bouzaraa, Onay Urfalioglu, Li Minzhen
• Abstract要約: 両左利きコンベンションに基づく視覚のみの解法(モノクラーカメラ)を提案する。 極端な条件と異なる経路を持つ挑戦的なテストセットで95%以上の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acquiring information about the road lane structure is a crucial step for autonomous navigation. To this end, several approaches tackle this task from different perspectives such as lane marking detection or semantic lane segmentation. However, to the best of our knowledge, there is yet no purely vision based end-to-end solution to answer the precise question: How to estimate the relative number or "ID" of the current driven lane within a multi-lane road or a highway? In this work, we propose a real-time, vision-only (i.e. monocular camera) solution to the problem based on a dual left-right convention. We interpret this task as a classification problem by limiting the maximum number of lane candidates to eight. Our approach is designed to meet low-complexity specifications and limited runtime requirements. It harnesses the temporal dimension inherent to the input sequences to improve upon high-complexity state-of-the-art models. We achieve more than 95% accuracy on a challenging test set with extreme conditions and different routes.
• Abstract（参考訳）: 道路路構造に関する情報を取得することは、自律的なナビゲーションにとって重要なステップである。 この目的のために、レーンマーキング検出やセマンティクスレーンセグメンテーションといった異なる視点から、いくつかのアプローチがこの課題に取り組む。 しかし、私たちの知る限りでは、正確な質問に答えるための純粋にビジョンに基づくエンドツーエンドのソリューションはまだ存在しない。 本研究では,この問題に対する2つの左利き規約に基づいて,リアルタイムで視覚のみ(すなわち単眼カメラ)の解法を提案する。 我々はこのタスクを,レーン候補の最大数を8に制限することで分類問題と解釈する。 当社のアプローチは、低複雑さ仕様と限られたランタイム要件を満たすように設計されている。 入力シーケンス固有の時間次元を利用して、高複雑さの最先端モデルを改善する。 極端な条件と異なる経路を持つ挑戦的なテストセットで95%以上の精度を達成する。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
  本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。 最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。 注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-16T22:20:11Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• 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)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• 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)
• Lane Detection Model Based on Spatio-Temporal Network With Double Convolutional Gated Recurrent Units [11.968518335236787]
  レーン検出は今後しばらくは未解決の問題として残るだろう。 二重円錐 Gated Recurrent Units (ConvGRUs) を用いた時空間ネットワークは、困難なシーンにおける車線検出に対処することを提案した。 我々のモデルは最先端の車線検出モデルより優れている。
  論文  参考訳（メタデータ） (2020-08-10T06:50:48Z)
• Where can I drive? A System Approach: Deep Ego Corridor Estimation for Robust Automated Driving [2.378161932344701]
  本稿では, 深層学習手法を用いて, エゴレーンの乾燥可能な廊下をピクセルレベルで具体的に分類することを提案する。 当社のアプローチは, 大規模製品に適用可能なパラメータがわずか0.66万で, 計算効率を保っている。
  論文  参考訳（メタデータ） (2020-04-16T13:04:18Z)
• Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
  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。
  論文  参考訳（メタデータ） (2020-01-01T16:48:42Z)

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。