論文の概要: CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional
Convolution
- arxiv url: http://arxiv.org/abs/2105.05003v1
- Date: Tue, 11 May 2021 13:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:56:02.455549
- Title: CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional
Convolution
- Title（参考訳）: CondLaneNet:条件付き畳み込みに基づくトップダウンレーン検出フレームワーク
- Authors: Lizhe Liu, Xiaohao Chen, Siyu Zhu, Ping Tan
- Abstract要約: トップツーダウンのレーン検出フレームワークであるCondLaneNetを提案する。
また,条件付き畳み込みと行毎の定式化に基づく条件付きレーン検出戦略を提案する。
3つのベンチマークデータセットで最新のパフォーマンスを実現します。
- 参考スコア（独自算出の注目度）: 39.62595444015094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern deep-learning-based lane detection methods are successful in most
scenarios but struggling for lane lines with complex topologies. In this work,
we propose CondLaneNet, a novel top-to-down lane detection framework that
detects the lane instances first and then dynamically predicts the line shape
for each instance. Aiming to resolve lane instance-level discrimination
problem, we introduce a conditional lane detection strategy based on
conditional convolution and row-wise formulation. Further, we design the
Recurrent Instance Module(RIM) to overcome the problem of detecting lane lines
with complex topologies such as dense lines and fork lines. Benefit from the
end-to-end pipeline which requires little post-process, our method has
real-time efficiency. We extensively evaluate our method on three benchmarks of
lane detection. Results show that our method achieves state-of-the-art
performance on all three benchmark datasets. Moreover, our method has the
coexistence of accuracy and efficiency, e.g. a 78.14 F1 score and 220 FPS on
CULane.
- Abstract（参考訳）: 現代のディープラーニングに基づくレーン検出手法は、ほとんどのシナリオで成功しているが、複雑なトポロジを持つレーン線に苦慮している。
本研究では,まずレーンインスタンスを検出し,次に各インスタンスのライン形状を動的に予測する新しいトップ・ツー・ダウンレーン検出フレームワークであるCondLaneNetを提案する。
レーンのインスタンスレベルの識別問題を解決するために,条件付き畳み込みと行ごとの定式化に基づく条件付きレーン検出戦略を導入する。
さらに,高密度線やフォーク線といった複雑なトポロジを持つレーン線を検出する問題を克服するために,リカレントインスタンスモジュール(RIM)を設計する。
処理後をほとんど必要としないエンド・ツー・エンドのパイプラインの利点は、リアルタイムの効率性にある。
本手法を3つのレーン検出ベンチマークで広範囲に評価した。
以上の結果から,本手法は3つのベンチマークデータセットに対して最先端性能を実現する。
さらに,本手法は精度と効率の共存性がある。
78.14 F1のスコアと220 FPSのCULane。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳（メタデータ） (2024-11-25T12:09:43Z) - Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。
提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。
本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
論文 参考訳（メタデータ） (2024-01-26T09:28:14Z) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - BSNet: Lane Detection via Draw B-spline Curves Nearby [21.40607319558899]
曲線に基づく車線検出手法を,車線表現のグローバル性と局所性の観点から再検討する。
我々は,グローバルな特徴とローカルな特徴の獲得を確実にするために,シンプルで効率的なネットワークBSNetを設計する。
提案手法は,Tusimple,CULane,LLAMASデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-01-17T14:25:40Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。
新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。
F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
論文 参考訳（メタデータ） (2022-04-15T05:24:04Z)
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。