論文の概要: ISSAFE: Improving Semantic Segmentation in Accidents by Fusing
Event-based Data
- arxiv url: http://arxiv.org/abs/2008.08974v2
- Date: Thu, 9 Dec 2021 16:34:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 03:52:05.460209
- Title: ISSAFE: Improving Semantic Segmentation in Accidents by Fusing
Event-based Data
- Title（参考訳）: ISSAFE:イベントベースデータによる事故のセマンティックセグメンテーションの改善
- Authors: Jiaming Zhang, Kailun Yang, Rainer Stiefelhagen
- Abstract要約: 本稿では,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。
イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。
提案手法は, 提案した評価セットに対して+8.2% mIoUの性能向上を達成し, 10以上の最先端セグメンテーション法を克服する。
- 参考スコア（独自算出の注目度）: 34.36975697486129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring the safety of all traffic participants is a prerequisite for
bringing intelligent vehicles closer to practical applications. The assistance
system should not only achieve high accuracy under normal conditions, but
obtain robust perception against extreme situations. However, traffic accidents
that involve object collisions, deformations, overturns, etc., yet unseen in
most training sets, will largely harm the performance of existing semantic
segmentation models. To tackle this issue, we present a rarely addressed task
regarding semantic segmentation in accidental scenarios, along with an accident
dataset DADA-seg. It contains 313 various accident sequences with 40 frames
each, of which the time windows are located before and during a traffic
accident. Every 11th frame is manually annotated for benchmarking the
segmentation performance. Furthermore, we propose a novel event-based
multi-modal segmentation architecture ISSAFE. Our experiments indicate that
event-based data can provide complementary information to stabilize semantic
segmentation under adverse conditions by preserving fine-grain motion of
fast-moving foreground (crash objects) in accidents. Our approach achieves
+8.2% mIoU performance gain on the proposed evaluation set, exceeding more than
10 state-of-the-art segmentation methods. The proposed ISSAFE architecture is
demonstrated to be consistently effective for models learned on multiple source
databases including Cityscapes, KITTI-360, BDD and ApolloScape.
- Abstract（参考訳）: 全ての交通参加者の安全を確保することは、インテリジェントな車両を実用化に近づけるための前提条件である。
補助システムは、通常の条件下で高い精度を達成するだけでなく、極端な状況に対する堅牢な認識を得る必要がある。
しかしながら、物体衝突、変形、転倒などを含む交通事故は、ほとんどのトレーニングセットでは見られないが、既存のセマンティックセグメンテーションモデルの性能に大きな影響を及ぼす。
この問題に対処するために,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。
それぞれ40フレームの様々な事故シーケンスが313あり、そのうちの1つが交通事故前後の時間窓である。
セグメンテーション性能をベンチマークするために、11フレームごとに手動でアノテートする。
さらに,イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。
本研究は,事故時の高速移動フォアグラウンド(crash objects)の微粒化を保ちながら,有害条件下での意味セグメンテーションを安定化するための補完的情報を提供できることを示す。
提案手法は,提案評価セットにおいて,10以上の最先端セグメンテーション法を越え,+8.2%のmiou性能向上を達成している。
提案したISSAFEアーキテクチャは、Cityscapes、KITTI-360、BDD、ApolloScapeといった複数のソースデータベースで学習したモデルに対して一貫して有効であることが示されている。
関連論文リスト
- Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。
本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。
AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文 参考訳（メタデータ） (2023-04-02T08:23:20Z) - Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification
Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
事故が起こる前の事故と近距離事故には差はない。
我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。
提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
論文 参考訳（メタデータ） (2023-01-06T22:04:47Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - Towards Robust Semantic Segmentation of Accident Scenes via Multi-Source
Mixed Sampling and Meta-Learning [29.74171323437029]
本稿では,セグメント化変換器を極端に事故現場に一般化するための多元的メタラーニング・アン教師付きドメイン適応フレームワークを提案する。
DADA-segベンチマークではmIoUスコアが46.97%に達し,従来の最先端モデルよりも7.50%以上向上した。
論文 参考訳（メタデータ） (2022-03-19T21:18:54Z) - Exploring Event-driven Dynamic Context for Accident Scene Segmentation [33.20305129155542]
交通事故の致命的な場面のほとんどは非常にダイナミックで、以前は見えなかった。
時間分解能の高いイベントベースデータから動的コンテキストを抽出することを提案する。
提案手法は,提案した事故データセットに対して+8.2%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-12-09T16:00:30Z) - Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。
我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文 参考訳（メタデータ） (2021-09-13T20:50:37Z) - FSNet: A Failure Detection Framework for Semantic Segmentation [9.453250122818808]
画素レベルの誤分類を識別するための故障検出フレームワークを提案する。
セグメンテーションモデルの内部機能を利用して、障害検出ネットワークで同時にトレーニングする。
我々は,最先端手法に対する提案手法の評価を行い,12.30%,9.46%,9.65%の性能改善を実現した。
論文 参考訳（メタデータ） (2021-08-19T15:26:52Z) - Global Feature Aggregation for Accident Anticipation [8.57961305383434]
本稿では,フレーム内の全てのオブジェクトの特徴の重み付け和を計算することで,各オブジェクトの特徴を洗練させる新しい特徴集約(FA)ブロックを提案する。
FAブロックとLong Short Term Memory (LSTM) ネットワークを併用して,ビデオシーケンスにおける事故の予測を行う。
論文 参考訳（メタデータ） (2020-06-16T06:17:15Z)
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。