論文の概要: LaneAF: Robust Multi-Lane Detection with Affinity Fields
- arxiv url: http://arxiv.org/abs/2103.12040v1
- Date: Mon, 22 Mar 2021 17:43:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:17:21.039084
- Title: LaneAF: Robust Multi-Lane Detection with Affinity Fields
- Title(参考訳): LaneAF:アフィニティフィールドを用いたロバストマルチレーン検出
- Authors: Hala Abualsaud, Sean Liu, David Lu, Kenny Situ, Akshay Rangesh and
Mohan M. Trivedi
- Abstract要約: 本研究では,2値セグメンテーションマスクと画素間親和性フィールドの予測を含むレーン検出手法を提案する。
親和性フィールドは、バイナリマスクとともに、後処理ステップで対応するレーンインスタンスに水平および垂直にレーンピクセルをクラスタリングするために使用することができる。
提案手法は,tusimpleベンチマークの最先端の手法と同等に動作し,挑戦するculaneデータセットに新たな最先端の手法を設定する。
- 参考スコア(独自算出の注目度): 9.607267724849766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents an approach to lane detection involving the prediction of
binary segmentation masks and per-pixel affinity fields. These affinity fields,
along with the binary masks, can then be used to cluster lane pixels
horizontally and vertically into corresponding lane instances in a
post-processing step. This clustering is achieved through a simple row-by-row
decoding process with little overhead; such an approach allows LaneAF to detect
a variable number of lanes without assuming a fixed or maximum number of lanes.
Moreover, this form of clustering is more interpretable in comparison to
previous visual clustering approaches, and can be analyzed to identify and
correct sources of error. Qualitative and quantitative results obtained on
popular lane detection datasets demonstrate the model's ability to detect and
cluster lanes effectively and robustly. Our proposed approach performs on par
with state-of-the-art approaches on the limited TuSimple benchmark, and sets a
new state-of-the-art on the challenging CULane dataset.
- Abstract(参考訳): 本研究では,2値セグメンテーションマスクと画素間親和性フィールドの予測を含むレーン検出手法を提案する。
これらの親和性フィールドとバイナリマスクは、後処理のステップにおいて、レーンピクセルを水平および垂直に、対応するレーンインスタンスにクラスタリングすることができる。
このクラスタリングは、単純な行ごとのデコードプロセスで実現され、オーバーヘッドがほとんどないため、LaneAFは固定数や最大数の車線を仮定することなく、可変数の車線を検出することができる。
さらに、このようなクラスタリングの形式は、従来の視覚的クラスタリングアプローチよりも解釈可能であり、エラーの原因を特定し、修正することができる。
一般的な車線検出データセットで得られた定性的かつ定量的な結果は、モデルが車線を効果的かつ堅牢に検出およびクラスタリングする能力を示している。
提案手法は,tusimpleベンチマークの最先端の手法と同等に動作し,挑戦するculaneデータセットに新たな最先端の手法を設定する。
関連論文リスト
- One-Step Multi-View Clustering Based on Transition Probability [61.841829428397034]
遷移確率に基づくワンステップマルチビュークラスタリング(OSMVC-TP)を導入する。
本手法は,アンカーポイントからカテゴリへの遷移確率を直接学習し,サンプルからカテゴリへの遷移確率を計算する。
異なる視点でラベルの整合性を維持するために、ソフトラベルからなるテンソルにシャッテン p-ノルムの制約を適用する。
論文 参考訳(メタデータ) (2024-03-03T09:43:23Z) - Masked Gamma-SSL: Learning Uncertainty Estimation via Masked Image
Modeling [19.000718685399935]
本研究では,単一の前方通過で高品質な不確実性推定を行うセマンティックセグメンテーションネットワークを提案する。
我々は、Masked Image Modeling (MIM) アプローチにより、基礎モデルと非ラベルデータセットの一般的な表現を利用する。
安全クリティカルなアプリケーションで使用されるニューラルネットワークでは、トレーニングデータのバイアスがエラーにつながる可能性がある。
論文 参考訳(メタデータ) (2024-02-27T15:49:54Z) - Applying Unsupervised Semantic Segmentation to High-Resolution UAV Imagery for Enhanced Road Scene Parsing [12.558144256470827]
新規な教師なし道路解析フレームワークについて紹介する。
提案手法は,手動のアノテーションを使わずに,開発データセット上で89.96%のmIoUの平均インターセクションを実現する。
論文 参考訳(メタデータ) (2024-02-05T13:16:12Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-07-31T10:22:33Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2022-10-04T07:54:40Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - On Mitigating Hard Clusters for Face Clustering [48.39472979642971]
顔クラスタリングは、大規模な未ラベルの顔画像を使用して顔認識システムをスケールアップするための有望な方法である。
我々はNDDe(Neighborhood-Diffusion-based Density)とTPDi(Transition-Probability-based Distance)の2つの新しいモジュールを紹介した。
複数のベンチマーク実験により,各モジュールが最終性能に寄与することが示された。
論文 参考訳(メタデータ) (2022-07-25T03:55:15Z) - Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。
2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。
強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
論文 参考訳(メタデータ) (2021-02-02T13:46:58Z)
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。