論文の概要: Provident Vehicle Detection at Night for Advanced Driver Assistance
Systems
- arxiv url: http://arxiv.org/abs/2107.11302v1
- Date: Fri, 23 Jul 2021 15:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 14:16:06.112734
- Title: Provident Vehicle Detection at Night for Advanced Driver Assistance
Systems
- Title（参考訳）: 高度な運転支援システムのための夜間の車両検出
- Authors: Lukas Ewecker and Ebubekir Asan and Lars Ohnemus and Sascha Saralajew
- Abstract要約: 本報告では, 夜間に来るべき車両を, 発生した光成果物に基づいて検出するシステムについて述べる。
本研究では,提案システムが提供する時間的メリットを,実稼働型コンピュータビジョンシステムと比較して定量化する。
- 参考スコア（独自算出の注目度）: 3.7468898363447654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, computer vision algorithms have become more and more
powerful, which enabled technologies such as autonomous driving to evolve with
rapid pace. However, current algorithms mainly share one limitation: They rely
on directly visible objects. This is a major drawback compared to human
behavior, where indirect visual cues caused by the actual object (e.g.,
shadows) are already used intuitively to retrieve information or anticipate
occurring objects. While driving at night, this performance deficit becomes
even more obvious: Humans already process the light artifacts caused by
oncoming vehicles to assume their future appearance, whereas current object
detection systems rely on the oncoming vehicle's direct visibility. Based on
previous work in this subject, we present with this paper a complete system
capable of solving the task to providently detect oncoming vehicles at
nighttime based on their caused light artifacts. For that, we outline the full
algorithm architecture ranging from the detection of light artifacts in the
image space, localizing the objects in the three-dimensional space, and
verifying the objects over time. To demonstrate the applicability, we deploy
the system in a test vehicle and use the information of providently detected
vehicles to control the glare-free high beam system proactively. Using this
experimental setting, we quantify the time benefit that the provident vehicle
detection system provides compared to an in-production computer vision system.
Additionally, the glare-free high beam use case provides a real-time and
real-world visualization interface of the detection results. With this
contribution, we want to put awareness on the unconventional sensing task of
provident object detection and further close the performance gap between human
behavior and computer vision algorithms in order to bring autonomous and
automated driving a step forward.
- Abstract（参考訳）: 近年、コンピュータビジョンアルゴリズムはますます強力になり、自動運転などの技術が急速に進化するようになっている。
しかし、現在のアルゴリズムは、主に1つの制限を共有している。
これは人間の行動と比較して大きな欠点であり、実際の物体(例えば影)によって引き起こされる間接的な視覚的手がかりは、情報検索や発生した物体の予測に直感的に既に使われている。
現在の物体検出システムは、接近する車両の直接視認性に依存しているのに対して、人間はすでに、接近する車両によって引き起こされる光アーティファクトを処理して、将来の外観を想定している。
本稿では,先行研究に基づいて,夜間に対向車を検出するための課題を,その原因となる光アーティファクトに基づいて完全に解決するシステムを提案する。
そのため,画像空間における光人工物の検出,三次元空間における物体の局所化,時間とともに物体の検証など,全アルゴリズムアーキテクチャの概要を述べる。
適用性を示すため,システムを試験車両に展開し,有効に検出された車両の情報を用いて,グラアフリー高ビームシステムを積極的に制御する。
本実験では, 実運用型コンピュータビジョンシステムと比較して, 提供車検出システムが提供する時間的メリットを定量化する。
さらに、glare-free high beamユースケースは、検出結果のリアルタイムおよび実世界の可視化インターフェースを提供する。
この貢献により、提案する物体検出の非従来的センシングタスクに意識を置き、人間の行動とコンピュータビジョンアルゴリズムのパフォーマンスギャップをさらに埋めて、自律運転と自動運転を一歩前進させたいと思っています。
関連論文リスト
- Real-time Traffic Object Detection for Autonomous Driving [5.780326596446099]
現代のコンピュータビジョン技術は、効率よりも精度を優先する傾向がある。
既存の物体検出器はリアルタイムには程遠い。
リアルタイム要件を取り入れた,より適切な代替案を提案する。
論文 参考訳（メタデータ） (2024-01-31T19:12:56Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
未知の物体を検出する新しいパイプラインを提案する。
我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
論文 参考訳（メタデータ） (2022-05-03T10:58:41Z) - Object Detection in Autonomous Vehicles: Status and Open Challenges [4.226118870861363]
オブジェクト検出はコンピュータビジョンタスクであり、今日では多くの消費者向けアプリケーションにおいて不可欠な部分となっている。
深層学習に基づく物体検出器は、これらの物体をリアルタイムで発見し、位置づけする上で重要な役割を果たす。
本稿では、物体検出器の最先端と、自動運転車への統合に向けたオープンな課題について論じる。
論文 参考訳（メタデータ） (2022-01-19T16:45:16Z) - A Dataset for Provident Vehicle Detection at Night [3.1969855247377827]
この直感的な人間の行動をコンピュータビジョンアルゴリズムにマッピングし、夜間に来るべき車両を検知する方法の問題点について検討する。
夜間の農村環境における346の異なるシーンのうち,59746の注釈付きグレースケール画像を含む大規模なオープンソースデータセットを提案する。
光反射などの視覚的手がかりを客観的に記述する上で,データセットの特徴と課題について論じる。
論文 参考訳（メタデータ） (2021-05-27T15:31:33Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳（メタデータ） (2020-12-15T16:54:45Z) - Artificial Intelligence Enabled Traffic Monitoring System [3.085453921856008]
本稿では,深層畳み込みニューラルネットワークを用いたリアルタイム交通映像の自動監視手法を提案する。
提案システムは、さまざまなトラフィック監視ニーズを自動化するために、最先端のディープラーニングアルゴリズムをデプロイする。
論文 参考訳（メタデータ） (2020-10-02T22:28:02Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。