論文の概要: RaidaR: A Rich Annotated Image Dataset of Rainy Street Scenes

• arxiv url: http://arxiv.org/abs/2104.04606v1
• Date: Fri, 9 Apr 2021 21:15:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:17:41.517792
• Title: RaidaR: A Rich Annotated Image Dataset of Rainy Street Scenes
• Title（参考訳）: RaidaR: 雨の街路シーンのリッチな注釈付き画像データセット
• Authors: Jiongchao Jin, Arezou Fatemi, Wallace Lira, Fenggen Yu, Biao Leng, Rui Ma, Ali Mahdavi-Amiri, Hao Zhang
• Abstract要約: RaidaRは、自律運転研究を支援する雨の街路シーンのリッチな注釈付き画像データセットである。 RaidaRの画像は、霧、滴、道路反射など、現実的な雨誘発人工物の広い範囲をカバーしています。 RaidaRによるデータ拡張によって,既存のセグメンテーションアルゴリズムの精度が向上することを示す。
• 参考スコア（独自算出の注目度）: 17.36458322725037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RaidaR, a rich annotated image dataset of rainy street scenes, to support autonomous driving research. The new dataset contains the largest number of rainy images (58,542) to date, 5,000 of which provide semantic segmentations and 3,658 provide object instance segmentations. The RaidaR images cover a wide range of realistic rain-induced artifacts, including fog, droplets, and road reflections, which can effectively augment existing street scene datasets to improve data-driven machine perception during rainy weather. To facilitate efficient annotation of a large volume of images, we develop a semi-automatic scheme combining manual segmentation and an automated processing akin to cross validation, resulting in 10-20 fold reduction on annotation time. We demonstrate the utility of our new dataset by showing how data augmentation with RaidaR can elevate the accuracy of existing segmentation algorithms. We also present a novel unpaired image-to-image translation algorithm for adding/removing rain artifacts, which directly benefits from RaidaR.
• Abstract（参考訳）: raidarは、雨の街並みの豊かな注釈付き画像データセットで、自動運転研究を支援する。 新しいデータセットには、これまでで最大の雨画像(58,542枚)が含まれ、5,000枚がセマンティックセグメンテーション、3,658枚がオブジェクトインスタンスセグメンテーションを提供している。 RaidaRの画像は、霧、滴、道路の反射など、雨によって引き起こされる幅広い現実的な人工物をカバーしており、既存のストリートシーンのデータセットを効果的に増強し、雨天時のデータ駆動マシンの知覚を改善することができる。 大量の画像の効率的なアノテーションを容易にするために,手動セグメンテーションとクロスバリデーションに似た自動処理を組み合わせた半自動スキームを開発し,アノテーション時間で10～20倍の縮小を実現する。 raidarによるデータ拡張が既存のセグメンテーションアルゴリズムの精度をいかに高めるかを示すことによって,新しいデータセットの有用性を実証する。 また,RaidaRから直接雨の人工物を追加・削除するための,未ペア画像変換アルゴリズムを提案する。

関連論文リスト

• MDeRainNet: An Efficient Neural Network for Rain Streak Removal from Macro-pixel Images [44.83349966064718]
  我々は,LF画像から降雨ストリーク除去を行うために,MDeRainNetと呼ばれる効率的なネットワークを提案する。 提案するネットワークはマルチスケールエンコーダデコーダアーキテクチャを採用し, 直接マクロピクセル画像(MPI)を用いて降雨除去性能を向上する。 そこで本研究では,MDeRainNetのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-15T14:47:02Z)
• LidaRF: Delving into Lidar for Neural Radiance Field on Street Scenes [73.65115834242866]
  光リアリスティックシミュレーションは、自律運転のようなアプリケーションにおいて重要な役割を果たす。 しかし, コリニアカメラの動作やスペーサーのサンプリングにより, 街路景観の再現性は低下する。 街路面のNeRF品質を改善するために,Lidarデータのより優れた利用を可能にするいくつかの知見を提案する。
  論文  参考訳（メタデータ） (2024-05-01T23:07:12Z)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
  実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。 本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-22T00:10:06Z)
• Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
  現実シナリオにおけるSID(Single Image deraining)は近年注目されている。 以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。 我々はRealRain-1kという新しい高品質のデータセットを構築した。
  論文  参考訳（メタデータ） (2022-06-11T12:26:59Z)
• Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning [59.22620253308322]
  半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。 半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
  論文  参考訳（メタデータ） (2022-04-06T12:35:27Z)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• Raindrops on Windshield: Dataset and Lightweight Gradient-Based Detection Algorithm [0.0]
  本稿では,視覚アルゴリズムの性能をトレーニングし,カメラレンズやフロントガラスのイメージアーティファクト検出の異なるタスクに対して評価するための新しいデータセットを提案する。 また,画像上に合成雨滴を生成可能なデータ拡張アルゴリズムを提案する。 提案アルゴリズムは降雨量検出の精度と画像処理速度を向上し,実際の自律システムの自己検査手法に適用できることを示した。
  論文  参考訳（メタデータ） (2021-04-11T19:04:59Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Rainy screens: Collecting rainy datasets, indoors [19.71705192452036]
  本稿では,既存の地中構造画像から多彩な降雨画像を生成するための簡易な手法を提案する。 この設定により、既存のデータセットの多様性をタスク基底データで活用できます。 都市景観とBDDに基づく降雨量と降雨量と実際の付着液滴を用いた降雨画像を生成し,デライニングモデルを訓練する。
  論文  参考訳（メタデータ） (2020-03-10T13:57:37Z)

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。