論文の概要: Applying Surface Normal Information in Drivable Area and Road Anomaly
Detection for Ground Mobile Robots
- arxiv url: http://arxiv.org/abs/2008.11383v1
- Date: Wed, 26 Aug 2020 05:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 22:05:40.646436
- Title: Applying Surface Normal Information in Drivable Area and Road Anomaly
Detection for Ground Mobile Robots
- Title(参考訳): 地上移動ロボットの乾燥地における表面正規情報の適用と道路異常検出
- Authors: Hengli Wang, Rui Fan, Yuxiang Sun, Ming Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.285200656398562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The joint detection of drivable areas and road anomalies is a crucial task
for ground mobile robots. In recent years, many impressive semantic
segmentation networks, which can be used for pixel-level drivable area and road
anomaly detection, have been developed. However, the detection accuracy still
needs improvement. Therefore, we develop a novel module named the Normal
Inference Module (NIM), which can generate surface normal information from
dense depth images with high accuracy and efficiency. Our NIM can be deployed
in existing convolutional neural networks (CNNs) to refine the segmentation
performance. To evaluate the effectiveness and robustness of our NIM, we embed
it in twelve state-of-the-art CNNs. The experimental results illustrate that
our NIM can greatly improve the performance of the CNNs for drivable area and
road anomaly detection. Furthermore, our proposed NIM-RTFNet ranks 8th on the
KITTI road benchmark and exhibits a real-time inference speed.
- Abstract(参考訳): 地上移動ロボットにとって,乾燥地と道路異常の同時検出は重要な課題である。
近年,画素レベルのドリブル領域や道路異常検出に使用可能な多くの印象的な意味セグメンテーションネットワークが開発されている。
しかし、検出精度は改善される必要がある。
そこで我々は,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)という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。
NIMの有効性と堅牢性を評価するため,12の最先端CNNに組み込んだ。
実験の結果,NIMは乾燥領域と道路異常検出のためのCNNの性能を大幅に向上させることができることがわかった。
さらに,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。
関連論文リスト
- Deep Spiking-UNet for Image Processing [101.4553345195388]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳(メタデータ) (2023-07-20T16:00:19Z) - Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。
本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
論文 参考訳(メタデータ) (2022-05-09T14:39:47Z) - Automatic Extraction of Road Networks from Satellite Images by using
Adaptive Structural Deep Belief Network [0.0]
本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。
RoadTracerは航空写真データから地上の道路地図を生成することができる。
精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
論文 参考訳(メタデータ) (2021-10-25T07:06:10Z) - Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection:
A Benchmark and Algorithms [16.417299198546168]
移動ロボットにとって,乾燥領域と道路異常の同時検出は非常に重要である。
本稿では,まず,地上移動ロボットの乾性領域と道路異常検出ベンチマークを構築した。
本稿では,既存のデータ・フュージョン・ネットワークに容易にデプロイ可能なdynamic fusion module (dfm) と呼ばれる新しいモジュールを提案する。
論文 参考訳(メタデータ) (2021-03-03T14:38:27Z) - SNE-RoadSeg: Incorporating Surface Normal Information into Semantic
Segmentation for Accurate Freespace Detection [25.402581647410695]
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。
論文 参考訳(メタデータ) (2020-08-26T02:43:25Z) - GraN: An Efficient Gradient-Norm Based Detector for Adversarial and
Misclassified Examples [77.99182201815763]
ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。
GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。
GraNは多くの問題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) (2020-04-20T10:09:27Z) - HyNNA: Improved Performance for Neuromorphic Vision Sensor based
Surveillance using Hybrid Neural Network Architecture [7.293414498855147]
領域提案のための形態素画像処理アルゴリズムを用いて,最近提案されたハイブリッドイベントフレームアプローチを改善した。
また、様々な畳み込みニューラルネットワーク(CNN)アーキテクチャを探索することにより、オブジェクト検出と分類の低消費電力要求にも対処する。
具体的には、対象検出フレームワークから得られた結果を最先端の低出力NVS監視システムと比較し、63.1%から82.16%の改善精度を示した。
論文 参考訳(メタデータ) (2020-03-19T07:18:33Z) - 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) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳(メタデータ) (2020-01-24T22:58:55Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳(メタデータ) (2020-01-22T15:23:48Z) - 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。