論文の概要: Lane Detection in Low-light Conditions Using an Efficient Data Enhancement : Light Conditions Style Transfer

• arxiv url: http://arxiv.org/abs/2002.01177v2
• Date: Sat, 16 May 2020 09:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 03:18:15.372299
• Title: Lane Detection in Low-light Conditions Using an Efficient Data Enhancement : Light Conditions Style Transfer
• Title（参考訳）: 効率的なデータエンハンスメントを用いた低光環境における車線検出 : 光条件スタイル転送
• Authors: Tong Liu, Zhaowei Chen, Yi Yang, Zehao Wu and Haowei Li
• Abstract要約: 低照度環境で画像を生成するためにGAN(Generative Adversarial Networks)を用いたスタイル転送に基づくデータ拡張手法を提案する。 提案手法は, SIM-CycleGAN, ライトコンディション方式のトランスファー, レーン検出ネットワークの3つの部分から構成される。 本手法を用いて学習した車線検出モデルは, 複雑なシナリオにおいて, 低照度条件下での適応性とロバスト性を示した。
• 参考スコア（独自算出の注目度）: 25.70636954266299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, deep learning techniques are widely used for lane detection, but application in low-light conditions remains a challenge until this day. Although multi-task learning and contextual-information-based methods have been proposed to solve the problem, they either require additional manual annotations or introduce extra inference overhead respectively. In this paper, we propose a style-transfer-based data enhancement method, which uses Generative Adversarial Networks (GANs) to generate images in low-light conditions, that increases the environmental adaptability of the lane detector. Our solution consists of three parts: the proposed SIM-CycleGAN, light conditions style transfer and lane detection network. It does not require additional manual annotations nor extra inference overhead. We validated our methods on the lane detection benchmark CULane using ERFNet. Empirically, lane detection model trained using our method demonstrated adaptability in low-light conditions and robustness in complex scenarios. Our code for this paper will be publicly available.
• Abstract（参考訳）: 今日では、レーン検出にディープラーニング技術が広く使われているが、低照度での応用は、今日まで課題である。 この問題を解決するためにマルチタスク学習と文脈情報に基づく手法が提案されているが、それらは追加のマニュアルアノテーションを必要とするか、追加の推論オーバーヘッドを導入する。 本稿では,低光環境下で画像を生成するためにGAN(Generative Adversarial Networks)を用いて,車線検出器の環境適応性を向上するスタイル転送型データ拡張手法を提案する。 本ソリューションは,提案するSIM-CycleGAN,光条件伝達,車線検出ネットワークの3部で構成されている。 追加のマニュアルアノテーションや追加の推論オーバーヘッドを必要としない。 ERFNetを用いた車線検出ベンチマークCULaneで本手法の検証を行った。 本手法を用いて訓練した車線検出モデルは,低照度条件における適応性と複雑なシナリオにおけるロバスト性を示した。 この論文のコードは公開される予定だ。

関連論文リスト

• DeepArUco++: Improved detection of square fiducial markers in challenging lighting conditions [3.783609886054562]
  フィデューシャルマーカー(Fiducial marker)は、オブジェクトのポーズ推定と検出に使用されるコンピュータビジョンツールである。 DeepArUco++は、困難な照明条件下でマーカー検出とデコードを実行するフレームワークである。 システム評価に使用する照明条件に挑戦するために,第2のArUcoマーカーのリアルタイムデータセットを提示する。
  論文  参考訳（メタデータ） (2024-11-08T13:18:31Z)
• GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval [80.96706764868898]
  我々は、GLARE(Generative LAtent Feature based codebook Retrieval)を介して、新しい低照度画像強調(LLIE)ネットワークを提案する。 Invertible Latent Normalizing Flow (I-LNF) モジュールを開発し、LL特徴分布をNL潜在表現に整合させ、コードブック内の正しいコード検索を保証する。 さまざまなベンチマークデータセットと実世界のデータに対するGLAREの優れたパフォーマンスを確認する実験。
  論文  参考訳（メタデータ） (2024-07-17T09:40:15Z)
• 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)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• Spectrum-inspired Low-light Image Translation for Saliency Detection [23.368690302292563]
  そこで本研究では,高照度画像を低照度画像に変換する手法を提案し,それを実写低照度画像のプロキシとして利用する。 何千ものパラメータと膨大な量のトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案された変換は高速でシンプルで、低光深度推定のような他のタスクにも容易に拡張できる。 本実験により, プロキシ低照度画像上でトレーニングした最先端の精度検出および深度推定ネットワークは, 既存の戦略を用いてトレーニングしたネットワークに比べて, 実際の低照度画像に対して有意に優れた性能を示した。
  論文  参考訳（メタデータ） (2023-03-17T17:30:42Z)
• Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
  ガウス過程回帰に基づく適応型低域通過フィルタを提案する。 本研究では,提案手法の誤差が一様境界であることを示す。
  論文  参考訳（メタデータ） (2021-11-05T17:06:59Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Robust Lane Detection via Expanded Self Attention [3.616997653625528]
  レーン検出のための拡張自己注意モジュール(ESA)を提案する。 提案手法は,画像の垂直方向および水平方向に沿ったレーンの信頼度を予測する。 CULaneとBDD100Kの最先端のパフォーマンスとTuSimpleデータセットの明確な改善を実現します。
  論文  参考訳（メタデータ） (2021-02-14T00:29:55Z)
• Ultra Fast Structure-aware Deep Lane Detection [15.738757958826998]
  極めて高速かつ挑戦的なシナリオを対象とした,新しい,シンプルで効果的な定式化を提案する。 路面検出の過程を,グローバルな特徴を用いた行選択問題として扱う。 提案手法は,速度と精度の両面で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2020-04-24T13:58:49Z)

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。