論文の概要: OFFSEG: A Semantic Segmentation Framework For Off-Road Driving

• arxiv url: http://arxiv.org/abs/2103.12417v1
• Date: Tue, 23 Mar 2021 09:45:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:45:06.156395
• Title: OFFSEG: A Semantic Segmentation Framework For Off-Road Driving
• Title（参考訳）: OFFSEG:オフロード運転のためのセマンティックセグメンテーションフレームワーク
• Authors: Kasi Viswanath, Kartikeya Singh, Peng Jiang, Sujit P.B. and Srikanth Saripalli
• Abstract要約: OFFSEGと呼ばれるオフロードセマンティックセグメンテーションのためのフレームワークを提案する。 オフロードセマンティクスセグメンテーションは、不均一な地形、非構造なクラス境界、不規則な特徴、強いテクスチャが存在するため、困難である。
• 参考スコア（独自算出の注目度）: 6.845371503461449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Off-road image semantic segmentation is challenging due to the presence of uneven terrains, unstructured class boundaries, irregular features and strong textures. These aspects affect the perception of the vehicle from which the information is used for path planning. Current off-road datasets exhibit difficulties like class imbalance and understanding of varying environmental topography. To overcome these issues we propose a framework for off-road semantic segmentation called as OFFSEG that involves (i) a pooled class semantic segmentation with four classes (sky, traversable region, non-traversable region and obstacle) using state-of-the-art deep learning architectures (ii) a colour segmentation methodology to segment out specific sub-classes (grass, puddle, dirt, gravel, etc.) from the traversable region for better scene understanding. The evaluation of the framework is carried out on two off-road driving datasets, namely, RELLIS-3D and RUGD. We have also tested proposed framework in IISERB campus frames. The results show that OFFSEG achieves good performance and also provides detailed information on the traversable region.
• Abstract（参考訳）: オフロード画像セマンティックセグメンテーションは、不均一な地形、非構造的なクラス境界、不規則な特徴、強いテクスチャが存在するため、困難である。 これらの側面は、情報が経路計画に使用される車両の知覚に影響を与える。 現在のオフロードデータセットは、クラス不均衡や様々な環境地形の理解のような困難を示す。 これらの問題を克服するために,我々は,オフセグメンテーションと呼ばれる,オフセグメンテーションの枠組みを提案する。 (i) 特定のサブクラス(草,水たまり,土,砂利など)を区分するカラーセグメンテーション方法論 (ii) 最先端のディープラーニングアーキテクチャを用いた,4つのクラス(スキー,トラバーサブル領域,非トラバーサブル領域,障害)のプールクラスセグメンテーション (プールドクラスセグメンテーション) を含む。 より良いシーン理解のために トラバーサブル地域から このフレームワークの評価は、RELLIS-3DとRUGDの2つのオフロード駆動データセット上で行われる。 また,IISERBキャンパスフレームにおける提案フレームワークの検証を行った。 以上の結果から,OFFSEGは良好な性能を示し,またトラバース可能な領域に関する詳細な情報も提供する。

関連論文リスト

• Leveraging Topology for Domain Adaptive Road Segmentation in Satellite and Aerial Imagery [9.23555285827483]
  道路分割アルゴリズムは、新しい地理的位置への一般化に失敗する。 道路骨格は、トポロジカルな制約を課す補助的なタスクである。 自己学習のために、接続性に基づく擬似ラベル改善戦略を用いて、ノイズの多い擬似ラベルをフィルタリングする。
  論文  参考訳（メタデータ） (2023-09-27T12:50:51Z)
• Towards Deeply Unified Depth-aware Panoptic Segmentation with Bi-directional Guidance Learning [63.63516124646916]
  深度認識型パノプティックセグメンテーションのためのフレームワークを提案する。 本稿では,クロスタスク機能学習を容易にする双方向指導学習手法を提案する。 本手法は,Cityscapes-DVPS と SemKITTI-DVPS の両データセットを用いた深度認識型パノプティックセグメンテーションのための新しい手法である。
  論文  参考訳（メタデータ） (2023-07-27T11:28:33Z)
• Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
  「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。 比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
  論文  参考訳（メタデータ） (2023-03-09T16:13:27Z)
• An Active and Contrastive Learning Framework for Fine-Grained Off-Road Semantic Segmentation [7.035838394813961]
  自動運転車が運転シーンを理解するためには、詳細なラベル付きオフロードセマンティックセマンティックセマンティックセマンティクスが必要である。 オフロードシーンにおける微粒なセマンティックセグメンテーションは通常、あいまいな自然環境のために統一されたカテゴリ定義を持たない。 本研究では,画素単位のラベルに依存しない能動的かつ対照的な学習手法を提案する。
  論文  参考訳（メタデータ） (2022-02-18T03:16:31Z)
• Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
  視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。 数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
  論文  参考訳（メタデータ） (2021-08-01T07:10:25Z)
• Transformer Meets Convolution: A Bilateral Awareness Net-work for Semantic Segmentation of Very Fine Resolution Ur-ban Scene Images [6.460167724233707]
  本稿では,依存経路とテクスチャパスを含む相互認知ネットワーク(BANet)を提案する。 BANetは、VFR画像の長距離関係と細かな詳細をキャプチャする。 3つの大規模都市景観画像セグメンテーションデータセット(ISPRS Vaihingen データセット、ISPRS Potsdam データセット、UAVid データセット)で実施された実験は、BANetの有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-23T13:57:36Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• Fine-Grained Off-Road Semantic Segmentation and Mapping via Contrastive Learning [7.965964259208489]
  道路検出やトラバーサビリティ解析は、移動ロボットが複雑なオフロードシーンを横断するための重要な技術である。 オフロードロボットには、きめ細かいラベルを持つシーンを理解する必要がある。 本研究では,ロボットがオフロードを横断する有意義なシーン理解を実現するための,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T13:23:24Z)
• Low-latency Perception in Off-Road Dynamical Low Visibility Environments [0.9142067094647588]
  本研究は、未舗装道路とオフロード環境に特化した自動運転車と先進運転支援システムを提案する。 未舗装とオフロードの異なる環境の約12,000枚の画像が収集され、ラベルがつけられた。 畳み込みニューラルネットワークを使用して、車が通過可能な障害領域を分割するように訓練しました。
  論文  参考訳（メタデータ） (2020-12-23T22:54:43Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)

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。