論文の概要: roadscene2vec: A Tool for Extracting and Embedding Road Scene-Graphs

• arxiv url: http://arxiv.org/abs/2109.01183v1
• Date: Thu, 2 Sep 2021 19:21:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 13:59:48.958389
• Title: roadscene2vec: A Tool for Extracting and Embedding Road Scene-Graphs
• Title（参考訳）: roadscene2vec:道路シーングラフの抽出と埋め込みのためのツール
• Authors: Arnav Vaibhav Malawade, Shih-Yuan Yu, Brandon Hsu, Harsimrat Kaeley, Anurag Karra, Mohammad Abdullah Al Faruque
• Abstract要約: Roadcene2vecは、道路シーングラフを抽出して埋め込むオープンソースツールである。 Roadcene2vecの目的は、道路シーングラフの応用と能力の研究を可能にすることである。
• 参考スコア（独自算出の注目度）: 3.9482018271405073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, road scene-graph representations used in conjunction with graph learning techniques have been shown to outperform state-of-the-art deep learning techniques in tasks including action classification, risk assessment, and collision prediction. To enable the exploration of applications of road scene-graph representations, we introduce roadscene2vec: an open-source tool for extracting and embedding road scene-graphs. The goal of roadscene2vec is to enable research into the applications and capabilities of road scene-graphs by providing tools for generating scene-graphs, graph learning models to generate spatio-temporal scene-graph embeddings, and tools for visualizing and analyzing scene-graph-based methodologies. The capabilities of roadscene2vec include (i) customized scene-graph generation from either video clips or data from the CARLA simulator, (ii) multiple configurable spatio-temporal graph embedding models and baseline CNN-based models, (iii) built-in functionality for using graph and sequence embeddings for risk assessment and collision prediction applications, (iv) tools for evaluating transfer learning, and (v) utilities for visualizing scene-graphs and analyzing the explainability of graph learning models. We demonstrate the utility of roadscene2vec for these use cases with experimental results and qualitative evaluations for both graph learning models and CNN-based models. roadscene2vec is available at https://github.com/AICPS/roadscene2vec.
• Abstract（参考訳）: 近年,行動分類,リスク評価,衝突予測などのタスクにおいて,グラフ学習技術と併用した道路シーングラフ表現が最先端の深層学習技術を上回ることが示されている。 本研究では,道路シーングラフの検索と埋め込みを行うためのオープンソースツールであるroadscene2vecを紹介する。 roadscene2vecの目標は、シーングラフを生成するツール、時空間的なシーングラフ埋め込みを生成するグラフ学習モデル、シーングラフベースの方法論を視覚化し分析するツールを提供することで、道路シーングラフの応用と能力の研究を可能にすることである。 The capabilities of roadscene2vec include (i) customized scene-graph generation from either video clips or data from the CARLA simulator, (ii) multiple configurable spatio-temporal graph embedding models and baseline CNN-based models, (iii) built-in functionality for using graph and sequence embeddings for risk assessment and collision prediction applications, (iv) tools for evaluating transfer learning, and (v) utilities for visualizing scene-graphs and analyzing the explainability of graph learning models. 実験結果とグラフ学習モデルとCNNモデルの両方に対する定性評価を併用した,これらのユースケースに対する Roadcene2vec の有用性を実証する。 roadscene2vecはhttps://github.com/aicps/roadscene2vecで入手できる。

関連論文リスト

• nuScenes Knowledge Graph -- A comprehensive semantic representation of traffic scenes for trajectory prediction [6.23221362105447]
  交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。 車両の走行経路、道路トポロジー、車線分割器、交通規則など、文脈情報を考慮することが重要である。 本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T10:40:34Z)
• Open-Vocabulary Object Detection via Scene Graph Discovery [53.27673119360868]
  オープンボキャブラリ(OV)オブジェクト検出は研究の注目を集めている。 OV検出にシーングラフキューを利用するSGDN(Scene-Graph-Based Discovery Network)を提案する。
  論文  参考訳（メタデータ） (2023-07-07T00:46:19Z)
• CommonScenes: Generating Commonsense 3D Indoor Scenes with Scene Graph Diffusion [83.30168660888913]
  シーングラフを対応する制御可能な3Dシーンに変換する完全生成モデルであるCommonScenesを提案する。 パイプラインは2つのブランチで構成されており、1つは変分オートエンコーダでシーン全体のレイアウトを予測し、もう1つは互換性のある形状を生成する。 生成されたシーンは、入力シーングラフを編集し、拡散モデルのノイズをサンプリングすることで操作することができる。
  論文  参考訳（メタデータ） (2023-05-25T17:39:13Z)
• Iterative Scene Graph Generation with Generative Transformers [6.243995448840211]
  シーングラフは、エンティティ(オブジェクト)とその空間関係をグラフィカルなフォーマットで符号化することで、シーンのリッチで構造化された表現を提供する。 現在のアプローチでは、シーン内のオブジェクト間のすべての可能なエッジのラベル付けを通じてシーングラフを生成する、世代別分類アプローチを採用している。 この研究は、リンク予測を超えたシーングラフを生成するための生成トランスフォーマーベースのアプローチを導入する。
  論文  参考訳（メタデータ） (2022-11-30T00:05:44Z)
• Learning to Generate Scene Graph from Natural Language Supervision [52.18175340725455]
  シーングラフと呼ばれる画像内の局所化オブジェクトとその関係をグラフィカルに表現するために,画像と文のペアから学習する最初の方法の1つを提案する。 既製のオブジェクト検出器を利用してオブジェクトのインスタンスを識別し、ローカライズし、検出された領域のラベルとキャプションから解析された概念をマッチングし、シーングラフを学習するための"擬似ラベル"を作成する。
  論文  参考訳（メタデータ） (2021-09-06T03:38:52Z)
• Graph-to-3D: End-to-End Generation and Manipulation of 3D Scenes Using Scene Graphs [85.54212143154986]
  制御可能なシーン合成は、基本的な仕様を満たす3D情報を生成することで構成される。 シーングラフは、オブジェクト(ノード)とオブジェクト間の関係(エッジ)からなるシーンの表現である 本稿では,シーングラフから形状を直接エンドツーエンドに生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T17:59:07Z)
• Lane Graph Estimation for Scene Understanding in Urban Driving [34.82775302794312]
  鳥眼視画像から車線形状を推定する新しい手法を提案する。 人気のあるnuscenesデータセットから処理されたマルチモーダルバードズ・アイビューデータに基づくグラフ推定モデルをトレーニングする。 私達のモデルは最も評価される都市場面のための有望な性能を示し、自動運転のためのHD車線アノテーションの自動生成のステップとして役立つことができます。
  論文  参考訳（メタデータ） (2021-05-01T08:38:18Z)
• SceneGraphFusion: Incremental 3D Scene Graph Prediction from RGB-D Sequences [76.28527350263012]
  rgb-dフレームのシーケンスを与えられた3次元環境から意味的シーングラフを漸進的に構築する手法を提案する。 我々は、グラフニューラルネットワークを用いて、プリミティブシーンコンポーネントからpointnet機能を集約する。 提案手法は,35hzで動作する他の3dセマンティクスおよびパンオプティカルセグメンテーション法と同等の精度で,高いマージンで3dシーングラフ予測手法を上回る。
  論文  参考訳（メタデータ） (2021-03-27T13:00:36Z)
• Road Scene Graph: A Semantic Graph-Based Scene Representation Dataset for Intelligent Vehicles [72.04891523115535]
  本稿では,車載用特別シーングラフである道路シーングラフを提案する。 オブジェクトの提案だけでなく、ペアワイドな関係も提供します。 それらをトポロジカルグラフで整理することで、これらのデータは説明可能であり、完全に接続され、GCNによって容易に処理できる。
  論文  参考訳（メタデータ） (2020-11-27T07:33:11Z)

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。