論文の概要: SNE-RoadSeg+: Rethinking Depth-Normal Translation and Deep Supervision
for Freespace Detection
- arxiv url: http://arxiv.org/abs/2107.14599v1
- Date: Fri, 30 Jul 2021 12:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:56:39.579409
- Title: SNE-RoadSeg+: Rethinking Depth-Normal Translation and Deep Supervision
for Freespace Detection
- Title（参考訳）: SNE-RoadSeg+:depth-Normal TranslationとDeep Supervisionによる自由空間検出
- Authors: Hengli Wang, Rui Fan, Peide Cai, Ming Liu
- Abstract要約: 我々はSNE-RoadSegのアップグレード版であるSNE-RoadSeg+を紹介する。
SNE-RoadSeg+は,1)より正確な表面正規推定を行うモジュールであるSNE+と,2)データフュージョンDCNNであるRoadSeg+から構成される。
我々のSNE-RoadSeg+はリアルタイムに動作し、KITTIロードベンチマークの最先端性能を達成する。
- 参考スコア（独自算出の注目度）: 14.603116313499648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Freespace detection is a fundamental component of autonomous driving
perception. Recently, deep convolutional neural networks (DCNNs) have achieved
impressive performance for this task. In particular, SNE-RoadSeg, our
previously proposed method based on a surface normal estimator (SNE) and a
data-fusion DCNN (RoadSeg), has achieved impressive performance in freespace
detection. However, SNE-RoadSeg is computationally intensive, and it is
difficult to execute in real time. To address this problem, we introduce
SNE-RoadSeg+, an upgraded version of SNE-RoadSeg. SNE-RoadSeg+ consists of 1)
SNE+, a module for more accurate surface normal estimation, and 2) RoadSeg+, a
data-fusion DCNN that can greatly minimize the trade-off between accuracy and
efficiency with the use of deep supervision. Extensive experimental results
have demonstrated the effectiveness of our SNE+ for surface normal estimation
and the superior performance of our SNE-RoadSeg+ over all other freespace
detection approaches. Specifically, our SNE-RoadSeg+ runs in real time, and
meanwhile, achieves the state-of-the-art performance on the KITTI road
benchmark. Our project page is at
https://www.sne-roadseg.site/sne-roadseg-plus.
- Abstract（参考訳）: 自由空間検出は自律運転知覚の基本的な構成要素である。
近年,この課題に対してディープ畳み込みニューラルネットワーク(DCNN)が優れた性能を発揮している。
特に,表面正規推定器(SNE)とデータ融合DCNN(RoadSeg)に基づく提案手法であるSNE-RoadSegは,自由空間検出において優れた性能を示した。
しかし、SNE-RoadSegは計算集約的であり、リアルタイムに実行することは困難である。
本稿では,SNE-RoadSegのアップグレード版であるSNE-RoadSeg+を紹介する。
SNE-RoadSeg+は,1) より正確な表面正規推定を行うモジュールであるSNE+と,2) 深層監視を用いて精度と効率のトレードオフを大幅に最小化できるデータ融合DCNNであるRoadSeg+から構成される。
広範な実験結果から,sne+が表面正常推定に有効であること,およびsne-roadseg+が他の自由空間検出法よりも優れた性能を示すことができた。
具体的には、我々のSNE-RoadSeg+はリアルタイムに動作し、一方、KITTIロードベンチマークにおける最先端のパフォーマンスを達成する。
私たちのプロジェクトページはhttps://www.sne-roadseg.site/sne-roadseg-plusです。
関連論文リスト
- Highly Efficient SNNs for High-speed Object Detection [7.3074002563489024]
実験結果から, 物体検出タスクにおいて, 1.5MBのパラメータしか持たないGPU上で, 効率的なSNNが118倍の高速化を実現できることが示唆された。
FPGAプラットフォーム上でのSNNをさらに検証し,800以上のFPSオブジェクトを極めて低レイテンシで検出できるモデルを提案する。
論文 参考訳（メタデータ） (2023-09-27T10:31:12Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Res-GCNN: A Lightweight Residual Graph Convolutional Neural Networks for
Human Trajectory Forecasting [0.0]
ペデストリアンの対話的挙動をモデル化した残差グラフ畳み込みニューラルネットワーク(Res-GCNN)を提案する。
その結果、最終変位誤差(FDE)が0.65mに達すると、アートの状態を13.3%改善することが示された。
コードはGitHubで公開されている。
論文 参考訳（メタデータ） (2020-11-18T11:18:16Z) - Road Accident Proneness Indicator Based On Time, Weather And Location
Specificity Using Graph Neural Networks [0.0]
道路沿いの時間、天気、位置の特異性に基づいて合計14の特徴がまとめられた。
事故警報の場所を用いて、特定の道路が事故を起こしやすいかを定量化する安全指標が開発された。
グラフニューラルネットワークアーキテクチャを用いて,そのTWL特異性に基づいて道路の安全指数を予測する新しい手法を実装した。
論文 参考訳（メタデータ） (2020-10-24T18:45:15Z) - Applying Surface Normal Information in Drivable Area and Road Anomaly
Detection for Ground Mobile Robots [29.285200656398562]
我々は,高精細深度画像から表面正規情報を高精度かつ効率的に生成できる,NIM(Normal Inference Module)と呼ばれる新しいモジュールを開発した。
我々のNIMは既存の畳み込みニューラルネットワーク(CNN)に展開でき、セグメンテーション性能を改善できる。
提案するNIM-RTFNetは,KITTIロードベンチマークで8位であり,リアルタイムの推論速度を示す。
論文 参考訳（メタデータ） (2020-08-26T05:44:07Z) - SNE-RoadSeg: Incorporating Surface Normal Information into Semantic
Segmentation for Accurate Freespace Detection [25.402581647410695]
自由空間検出は、自動運転車にとって視覚的知覚の重要な構成要素である。
本研究では,高密度深度/不均質画像から表面正規情報を推測できる,表面正規分布推定器 (SNE) を新たに導入する。
我々は,R2D(Ready-to-Drive)ロードデータセットと呼ばれる大規模合成自由空間検出データセットを,異なる照明と気象条件下で収集した。
論文 参考訳（メタデータ） (2020-08-26T02:43:25Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。