Fugu-MT 論文翻訳(概要): Applying Semantic Segmentation to Autonomous Cars in the Snowy Environment

論文の概要: Applying Semantic Segmentation to Autonomous Cars in the Snowy Environment

arxiv url: http://arxiv.org/abs/2007.12869v1
Date: Sat, 25 Jul 2020 07:07:23 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 01:08:26.785736
Title: Applying Semantic Segmentation to Autonomous Cars in the Snowy Environment
Title（参考訳）: 雪環境における自律走行車へのセマンティクスセグメンテーションの適用
Authors: Zhaoyu Pan, Takanori Emaru, Ankit Ravankar, Yukinori Kobayashi
Abstract要約: 本稿では,自動運転技術のバックボーンを形成する雪環境における環境認識に焦点を当てた。目的のために、セマンティックセグメンテーションは、車両が自律的に駆動されている間にオブジェクトを分類するために使用される。我々は、自身のデータセット上でFCN(Fully Convolutional Networks)をトレーニングし、実験結果を提示する。
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: This paper mainly focuses on environment perception in snowy situations which forms the backbone of the autonomous driving technology. For the purpose, semantic segmentation is employed to classify the objects while the vehicle is driven autonomously. We train the Fully Convolutional Networks (FCN) on our own dataset and present the experimental results. Finally, the outcomes are analyzed to give a conclusion. It can be concluded that the database still needs to be optimized and a favorable algorithm should be proposed to get better results.
Abstract（参考訳）: 本稿では,自動運転技術のバックボーンを形成する雪環境における環境認識に焦点を当てた。目的のために、車両が自律走行している間にオブジェクトを分類するためにセマンティックセグメンテーションが使用される。我々は,完全畳み込みネットワーク(fcn)を自身のデータセット上でトレーニングし,実験結果を示す。最後に、結果は分析して結論付けます。データベースは依然として最適化が必要であり、より良い結果を得るために望ましいアルゴリズムを提案するべきであると結論付けることができる。

関連論文リスト

DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文参考訳（メタデータ） (2024-09-15T15:55:24Z)
Development of Occupancy Prediction Algorithm for Underground Parking Lots [12.668082907335322]
本研究の目的は,地下などの悪環境下での自律運転が直面する認識課題に対処することである。包括的なBEV認識フレームワークは、薄暗い、挑戦的な自律運転環境において、ニューラルネットワークモデルの精度を高めるように設計されている。
論文参考訳（メタデータ） (2024-09-02T03:31:49Z)
Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文参考訳（メタデータ） (2023-12-05T11:32:31Z)
End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
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、270以上の論文を包括的に分析する。マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
論文参考訳（メタデータ） (2023-06-29T14:17:24Z)
Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文参考訳（メタデータ） (2021-11-15T18:37:43Z)
An Efficient Deep Learning Approach Using Improved Generative Adversarial Networks for Incomplete Information Completion of Self-driving [2.8504921333436832]
自律運転において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。改良されたPF-Netは、オリジナルのPF-Netと比べてほぼ同じ精度で19倍以上のスピードアップを達成することができる。
論文参考訳（メタデータ） (2021-09-01T08:06:23Z)
Attention-based Neural Network for Driving Environment Complexity Perception [123.93460670568554]
本稿では,周囲の運転環境の複雑さを予測するための,注目に基づく新しいニューラルネットワークモデルを提案する。 Yolo-v3オブジェクト検出アルゴリズム、ヒートマップ生成アルゴリズム、CNNベースの特徴抽出器、注目ベースの特徴抽出器で構成される。提案するアテンションベースネットワークは,周囲環境の複雑さを分類する平均分類精度91.22%を達成している。
論文参考訳（メタデータ） (2021-06-21T17:27:11Z)
End-to-End Interactive Prediction and Planning with Optical Flow Distillation for Autonomous Driving [16.340715765227475]
本稿では,自律運転のためのエンドツーエンド対話型ニューラルモーションプランナ(INMP)を提案する。 INMPはまず鳥の目線空間で特徴マップを生成し、それを処理して他のエージェントを検出し、インタラクティブな予測と計画を共同で実行します。また, 実時間推定速度を維持しつつ, ネットワーク性能を効果的に向上できる光フロー蒸留パラダイムを採用している。
論文参考訳（メタデータ） (2021-04-18T14:05:18Z)

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。