Fugu-MT 論文翻訳(概要): Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection: A Benchmark and Algorithms

論文の概要: Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection: A Benchmark and Algorithms

arxiv url: http://arxiv.org/abs/2103.02433v2
Date: Thu, 4 Mar 2021 06:01:08 GMT
ステータス: 処理完了
システム内更新日: 2021-03-05 13:01:12.191126
Title: Dynamic Fusion Module Evolves Drivable Area and Road Anomaly Detection: A Benchmark and Algorithms
Title（参考訳）: 動的核融合モジュールによる乾燥領域と道路異常検出:ベンチマークとアルゴリズム
Authors: Hengli Wang, Rui Fan, Yuxiang Sun, Ming Liu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 16.417299198546168
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Joint detection of drivable areas and road anomalies is very important for mobile robots. Recently, many semantic segmentation approaches based on convolutional neural networks (CNNs) have been proposed for pixel-wise drivable area and road anomaly detection. In addition, some benchmark datasets, such as KITTI and Cityscapes, have been widely used. However, the existing benchmarks are mostly designed for self-driving cars. There lacks a benchmark for ground mobile robots, such as robotic wheelchairs. Therefore, in this paper, we first build a drivable area and road anomaly detection benchmark for ground mobile robots, evaluating the existing state-of-the-art single-modal and data-fusion semantic segmentation CNNs using six modalities of visual features. Furthermore, we propose a novel module, referred to as the dynamic fusion module (DFM), which can be easily deployed in existing data-fusion networks to fuse different types of visual features effectively and efficiently. The experimental results show that the transformed disparity image is the most informative visual feature and the proposed DFM-RTFNet outperforms the state-of-the-arts. Additionally, our DFM-RTFNet achieves competitive performance on the KITTI road benchmark. Our benchmark is publicly available at https://sites.google.com/view/ gmrb.
Abstract（参考訳）: 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。近年,畳み込みニューラルネットワーク(CNN)に基づく多くのセマンティックセグメンテーション手法が,画素ワイドな領域と道路異常検出のために提案されている。さらに、KITTIやCityscapesなどのベンチマークデータセットが広く使用されている。しかし、既存のベンチマークは主に自動運転車向けに設計されている。ロボット車椅子などの地上移動ロボットのベンチマークが欠けています。そこで本論文では,まず地上移動ロボットの走行可能領域と道路異常検出ベンチマークを構築し,視覚的特徴の6つのモダリティを用いて,既存の最先端の単一モーダルおよびデータ融合セマンティックセグメンテーションCNNを評価する。さらに,動的融合モジュール(DFM)と呼ばれる新しいモジュールを提案し,既存のデータ融合ネットワークに容易に展開し,異なるタイプの視覚的特徴を効果的かつ効率的に融合させることができる。実験の結果,変換された不均質画像が最も有意義な視覚的特徴であり,提案したDFM-RTFNetは最先端技術よりも優れていた。さらに,我々のDFM-RTFNetは,KITTIロードベンチマーク上での競合性能を実現している。私たちのベンチマークはhttps://sites.google.com/view/ gmrbで公開されています。