論文の概要: OffRoadTranSeg: Semi-Supervised Segmentation using Transformers on OffRoad environments

• arxiv url: http://arxiv.org/abs/2106.13963v1
• Date: Sat, 26 Jun 2021 08:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 10:34:09.240089
• Title: OffRoadTranSeg: Semi-Supervised Segmentation using Transformers on OffRoad environments
• Title（参考訳）: OffRoadTranSeg: OffRoad環境上のトランスフォーマーを用いた半スーパービジョンセグメンテーション
• Authors: Anukriti Singh, Kartikeya Singh, and P.B. Sujit
• Abstract要約: OffRoadTranSegは、非構造屋外環境における半教師付きセグメンテーションのための最初のエンドツーエンドフレームワークである。 提案手法はRELLIS-3DおよびRUGDオフロードデータセット上で検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We present OffRoadTranSeg, the first end-to-end framework for semi-supervised segmentation in unstructured outdoor environment using transformers and automatic data selection for labelling. The offroad segmentation is a scene understanding approach that is widely used in autonomous driving. The popular offroad segmentation method is to use fully connected convolution layers and large labelled data, however, due to class imbalance, there will be several mismatches and also some classes may not be detected. Our approach is to do the task of offroad segmentation in a semi-supervised manner. The aim is to provide a model where self supervised vision transformer is used to fine-tune offroad datasets with self-supervised data collection for labelling using depth estimation. The proposed method is validated on RELLIS-3D and RUGD offroad datasets. The experiments show that OffRoadTranSeg outperformed other state of the art models, and also solves the RELLIS-3D class imbalance problem.
• Abstract（参考訳）: トランスフォーマーを用いた非構造化屋外環境における半教師ありセグメンテーションのための最初のエンドツーエンドフレームワークであるoffroadtransegを提案する。 オフロードセグメンテーションは、自動運転で広く使われているシーン理解アプローチである。 一般的なオフロードセグメンテーション手法は、完全に連結された畳み込み層と大きなラベル付きデータを使用することであるが、クラス不均衡のため、いくつかのミスマッチがあり、いくつかのクラスは検出されない。 我々のアプローチは、半教師付き方式でオフロードセグメンテーションを行うことである。 奥行き推定を用いたラベル付けのための自己教師付きデータ収集を用いたオフロードデータセットの微調整に自己教師付きビジョントランスフォーマを使用するモデルを提供することを目的としている。 提案手法はRELLIS-3DおよびRUGDオフロードデータセット上で検証される。 実験の結果、OffRoadTranSegはアートモデルの他の状態よりも優れており、RELLIS-3Dクラス不均衡の問題も解決していることがわかった。

関連論文リスト

• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• 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)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task [0.0]
  ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。 本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-12-19T13:25:09Z)
• Weakly Supervised Training of Monocular 3D Object Detectors Using Wide Baseline Multi-view Traffic Camera Data [19.63193201107591]
  交差点における車両の7DoF予測は,道路利用者間の潜在的な衝突を評価する上で重要な課題である。 交通監視カメラ用3次元物体検出装置の微調整を弱教師付きで行う手法を開発した。 提案手法は,自動運転車のデータセット上で最上位のモノクル3Dオブジェクト検出器と同等の精度で車両の7DoFの予測精度を推定する。
  論文  参考訳（メタデータ） (2021-10-21T08:26:48Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• 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)
• Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
  LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。 そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-05T18:14:36Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs [26.110522390201094]
  我々は,乾燥地や道路異常のセグメンテーションラベルを自動生成するパイプラインを開発した。 提案する自動ラベリングパイプラインは,手動ラベリングと比較して,目覚ましいスピードアップを実現している。 提案する自己教師型アプローチは,最先端の従来のアルゴリズムよりも堅牢で正確な結果を示す。
  論文  参考訳（メタデータ） (2020-07-12T10:12:46Z)

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。