論文の概要: SNE-RoadSeg: Incorporating Surface Normal Information into Semantic Segmentation for Accurate Freespace Detection

• arxiv url: http://arxiv.org/abs/2008.11351v1
• Date: Wed, 26 Aug 2020 02:43:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 22:21:27.595273
• Title: SNE-RoadSeg: Incorporating Surface Normal Information into Semantic Segmentation for Accurate Freespace Detection
• Title（参考訳）: SNE-RoadSeg:正確な自由空間検出のための表面正規情報をセマンティックセグメンテーションに組み込む
• Authors: Rui Fan, Hengli Wang, Peide Cai, Ming Liu
• Abstract要約: 自由空間検出は、自動運転車にとって視覚的知覚の重要な構成要素である。 本研究では,高密度深度/不均質画像から表面正規情報を推測できる,表面正規分布推定器 (SNE) を新たに導入する。 我々は,R2D(Ready-to-Drive)ロードデータセットと呼ばれる大規模合成自由空間検出データセットを,異なる照明と気象条件下で収集した。
• 参考スコア（独自算出の注目度）: 25.402581647410695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Freespace detection is an essential component of visual perception for self-driving cars. The recent efforts made in data-fusion convolutional neural networks (CNNs) have significantly improved semantic driving scene segmentation. Freespace can be hypothesized as a ground plane, on which the points have similar surface normals. Hence, in this paper, we first introduce a novel module, named surface normal estimator (SNE), which can infer surface normal information from dense depth/disparity images with high accuracy and efficiency. Furthermore, we propose a data-fusion CNN architecture, referred to as RoadSeg, which can extract and fuse features from both RGB images and the inferred surface normal information for accurate freespace detection. For research purposes, we publish a large-scale synthetic freespace detection dataset, named Ready-to-Drive (R2D) road dataset, collected under different illumination and weather conditions. The experimental results demonstrate that our proposed SNE module can benefit all the state-of-the-art CNNs for freespace detection, and our SNE-RoadSeg achieves the best overall performance among different datasets.
• Abstract（参考訳）: フリースペース検出は、自動運転車の視覚知覚の重要な要素である。 データ融合畳み込みニューラルネットワーク(CNN)の最近の取り組みは、セマンティックな駆動シーンセグメンテーションを大幅に改善した。 自由空間は、点が類似の表面正規性を持つ基底平面として仮定することができる。 そこで,本稿では,高精細深度/不均質画像から表面正規情報を高精度かつ効率的に推測できる表面正規分布推定器 (SNE) を初めて導入する。 さらに,rgb画像と推定された表層正規情報の両方から特徴を抽出・融合し,正確な自由空間検出を可能にするデータフュージョンcnnアーキテクチャ(roadseg)を提案する。 研究目的のために,R2D(Ready-to-Drive)ロードデータセットと呼ばれる大規模合成自由空間検出データセットを公開する。 実験の結果,提案したSNEモジュールは,すべての最先端CNNに対して,自由空間検出に有効であり,SNE-RoadSegは,異なるデータセット間で最高の総合的な性能を達成できることがわかった。

関連論文リスト

• SAID-NeRF: Segmentation-AIDed NeRF for Depth Completion of Transparent Objects [7.529049797077149]
  市販のRGB-Dカメラを使って透明物体の正確な深度情報を取得することは、コンピュータビジョンとロボティクスにおいてよく知られた課題である。 NeRFは学習のないアプローチであり、新しいビューの合成と形状回復に広く成功している。 提案したAID-NeRF法は,透明物体とロボットグルーピングのための深度補完データセットに有意な性能を示す。
  論文  参考訳（メタデータ） (2024-03-28T17:28:32Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• ORFD: A Dataset and Benchmark for Off-Road Freespace Detection [8.254796320415709]
  ORFDデータセットは、私たちの知る限り、最初のオフロード自由空間検出データセットである。 このデータセットは、様々な場面(森林、農地、草原、田舎)、異なる気象条件(雨、雨、霧、雪)、異なる光条件(明るい光、日光、ツワイライト、暗闇)で収集された。 本稿では,ローカルおよびグローバルな情報を集約するためにTransformerアーキテクチャを統一した OFF-Net という新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-20T17:22:57Z)
• SNE-RoadSeg+: Rethinking Depth-Normal Translation and Deep Supervision for Freespace Detection [14.603116313499648]
  我々はSNE-RoadSegのアップグレード版であるSNE-RoadSeg+を紹介する。 SNE-RoadSeg+は,1)より正確な表面正規推定を行うモジュールであるSNE+と,2)データフュージョンDCNNであるRoadSeg+から構成される。 我々のSNE-RoadSeg+はリアルタイムに動作し、KITTIロードベンチマークの最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-07-30T12:50:05Z)
• Learning to Detect Fortified Areas [0.0]
  本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。 本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
  論文  参考訳（メタデータ） (2021-05-26T08:03:42Z)
• Applying Surface Normal Information in Drivable Area and Road Anomaly Detection for Ground Mobile Robots [29.285200656398562]
  我々は,高精細深度画像から表面正規情報を高精度かつ効率的に生成できる,NIM(Normal Inference Module)と呼ばれる新しいモジュールを開発した。 我々のNIMは既存の畳み込みニューラルネットワーク(CNN)に展開でき、セグメンテーション性能を改善できる。 提案するNIM-RTFNetは,KITTIロードベンチマークで8位であり,リアルタイムの推論速度を示す。
  論文  参考訳（メタデータ） (2020-08-26T05:44:07Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。