論文の概要: Key Points Estimation and Point Instance Segmentation Approach for Lane Detection

• arxiv url: http://arxiv.org/abs/2002.06604v4
• Date: Mon, 14 Sep 2020 03:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 17:57:49.669879
• Title: Key Points Estimation and Point Instance Segmentation Approach for Lane Detection
• Title（参考訳）: レーン検出のためのキーポイント推定とポイントインスタンス分割手法
• Authors: Yeongmin Ko, Younkwan Lee, Shoaib Azam, Farzeen Munir, Moongu Jeon, and Witold Pedrycz
• Abstract要約: 本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
• 参考スコア（独自算出の注目度）: 65.37887088194022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perception techniques for autonomous driving should be adaptive to various environments. In the case of traffic line detection, an essential perception module, many condition should be considered, such as number of traffic lines and computing power of the target system. To address these problems, in this paper, we propose a traffic line detection method called Point Instance Network (PINet); the method is based on the key points estimation and instance segmentation approach. The PINet includes several stacked hourglass networks that are trained simultaneously. Therefore the size of the trained models can be chosen according to the computing power of the target environment. We cast a clustering problem of the predicted key points as an instance segmentation problem; the PINet can be trained regardless of the number of the traffic lines. The PINet achieves competitive accuracy and false positive on the TuSimple and Culane datasets, popular public datasets for lane detection. Our code is available at https://github.com/koyeongmin/PINet_new
• Abstract（参考訳）: 自律運転の知覚技術は様々な環境に適応すべきである。 交通線検出においては,本質的な認識モジュールとして,交通線数や目標システムの計算能力など,多くの条件を考慮すべきである。 これらの問題に対処するため,本研究では,キーポイント推定とインスタンスセグメンテーションに基づくPINet(Point Instance Network)と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 したがって、トレーニングされたモデルのサイズは、対象環境の計算能力に応じて選択できる。 我々は,予測されたキーポイントのクラスタリング問題をインスタンスセグメンテーション問題としてキャストした。 PINetは、一般的なレーン検出用のパブリックデータセットであるTuSimpleとCulaneデータセット上で、競合精度と偽陽性を達成する。 私たちのコードはhttps://github.com/koyeongmin/PINet_newで利用可能です。

関連論文リスト

• PlateSegFL: A Privacy-Preserving License Plate Detection Using Federated Segmentation Learning [0.0]
  PlateSegFLがFederated Learning (FL)と共にU-Netベースのセグメンテーションを実装した 携帯電話のような様々なコンピューティングプラットフォームは、標準的な予測モデルの開発に協力することができる。
  論文  参考訳（メタデータ） (2024-04-07T19:10:02Z)
• LanePtrNet: Revisiting Lane Detection as Point Voting and Grouping on Curves [8.037214110171123]
  車線検出は、自動運転の分野において重要な役割を果たす。 本稿では,順序付き集合上での点投票とグループ化のプロセスとしてレーン検出を扱う新しいアプローチであるLanePtrNetを提案する。 提案手法の有効性を検証するための総合的な実験を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2024-03-08T08:45:42Z)
• Lidar Annotation Is All You Need [0.0]
  本稿では,畳み込みニューラルネットワークを用いたマルチセンサ構成による画像分割の効率向上を目的とする。 当社のアプローチにおける重要な革新は、点雲からの粗い接地トラスマスクに対処する、マスク付き損失である。 ベンチマークデータセットに対するアプローチの実験的検証は、高品質の画像セグメンテーションモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T15:55:18Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Learning point embedding for 3D data processing [2.12121796606941]
  現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-19T00:25:28Z)
• RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor [11.393546826269372]
  本稿では,大規模クラウド登録のためのランダムサンプルベースキーポイント検出器とディスクリプタネットワーク(RSKDD-Net)を提案する。 鍵となるアイデアは、ランダムサンプリングを使用して候補点を効率よく選択し、学習に基づく手法を使ってキーポイントと記述子を共同で生成することである。 2つの大規模屋外LiDARデータセットの実験により、提案したRSKDD-Netは、既存の手法の15倍以上の高速で最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-23T13:29:29Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)

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。