Fugu-MT 論文翻訳(概要): RiWNet: A moving object instance segmentation Network being Robust in adverse Weather conditions

論文の概要: RiWNet: A moving object instance segmentation Network being Robust in adverse Weather conditions

arxiv url: http://arxiv.org/abs/2109.01820v1
Date: Sat, 4 Sep 2021 08:55:36 GMT
ステータス: 処理完了
システム内更新日: 2021-09-07 16:40:02.024140
Title: RiWNet: A moving object instance segmentation Network being Robust in adverse Weather conditions
Title（参考訳）: RiWNet:悪天候下でロバストな移動オブジェクトインスタンスセグメンテーションネットワーク
Authors: Chenjie Wang, Chengyuan Li, Bin Luo, Wei Wang, Jun Liu
Abstract要約: 我々は、ネットワークの構造設計を通じて、気象干渉に対するレジリエンスを改善する新しい可能性に焦点を当てる。本稿では,プログレッシブなトップダウンインタラクションとアテンションリファインメントモジュールを備えた,RiWFPNと呼ばれる新しいFPN構造を提案する。我々は,映像中の時間情報をキャプチャして動作情報を学習するためにSOLOV2を拡張し,RiWNetと呼ばれるRiWFPNを用いた移動オブジェクトインスタンスセグメンテーションネットワークを提案する。
参考スコア（独自算出の注目度）: 13.272209740926156
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmenting each moving object instance in a scene is essential for many applications. But like many other computer vision tasks, this task performs well in optimal weather, but then adverse weather tends to fail. To be robust in weather conditions, the usual way is to train network in data of given weather pattern or to fuse multiple sensors. We focus on a new possibility, that is, to improve its resilience to weather interference through the network's structural design. First, we propose a novel FPN structure called RiWFPN with a progressive top-down interaction and attention refinement module. RiWFPN can directly replace other FPN structures to improve the robustness of the network in non-optimal weather conditions. Then we extend SOLOV2 to capture temporal information in video to learn motion information, and propose a moving object instance segmentation network with RiWFPN called RiWNet. Finally, in order to verify the effect of moving instance segmentation in different weather disturbances, we propose a VKTTI-moving dataset which is a moving instance segmentation dataset based on the VKTTI dataset, taking into account different weather scenes such as rain, fog, sunset, morning as well as overcast. The experiment proves how RiWFPN improves the network's resilience to adverse weather effects compared to other FPN structures. We compare RiWNet to several other state-of-the-art methods in some challenging datasets, and RiWNet shows better performance especially under adverse weather conditions.
Abstract（参考訳）: シーン内の各移動オブジェクトインスタンスのセグメンテーションは、多くのアプリケーションにとって不可欠である。しかし、他の多くのコンピュータビジョンタスクと同様に、このタスクは最適な天気ではうまく機能するが、悪天候では失敗する傾向がある。気象条件において堅牢であるためには、所定の気象パターンのデータでネットワークをトレーニングするか、複数のセンサーを融合させるのが通常である。我々は,ネットワークの構造設計を通じて,気象干渉に対するレジリエンスを向上させるための新たな可能性に注目する。まず,先進的なトップダウンインタラクションと注意調整モジュールを備えた新しいfpn構造であるriwfpnを提案する。 RiWFPNは他のFPN構造を直接置き換えることで、最適でない気象条件下でのネットワークの堅牢性を向上させることができる。次に,SOLOV2を拡張して映像中の時間情報をキャプチャして動作情報を学習し,RiWFPNを用いた移動オブジェクトインスタンスセグメンテーションネットワークRiWNetを提案する。最後に,VKTTIデータセットに基づく移動インスタンスセグメンテーションデータセットであるVKTTI移動データセットを提案する。この実験は、RiWFPNが他のFPN構造と比較して悪天候に対するネットワークのレジリエンスをいかに改善するかを示す。 riwnetは、いくつかの困難なデータセットにおいて、他の最先端の手法と比較し、特に悪天候下での性能を示す。

関連論文リスト

MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。本稿では,マルチウェザー変換器 (MWFormer) を提案する。 MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
論文参考訳（メタデータ） (2024-11-26T08:47:39Z)
Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-12T14:21:30Z)
EGVD: Event-Guided Video Deraining [57.59935209162314]
本稿では,ビデオデライニングのためのイベントカメラの可能性を解放するエンド・ツー・エンドの学習ネットワークを提案する。雨の多いビデオと時間的に同期されたイベントストリームからなる現実世界のデータセットを構築します。
論文参考訳（メタデータ） (2023-09-29T13:47:53Z)
Video Adverse-Weather-Component Suppression Network via Weather Messenger and Adversarial Backpropagation [45.184188689391775]
ビデオ悪天候抑制ネットワーク(ViWS-Net)を開発することにより、悪天候条件から映像を復元する第1の枠組みを提案する。我々のViWS-Netは、あらゆる気象条件で劣化したビデオの復元において、最先端の手法よりも優れています。
論文参考訳（メタデータ） (2023-09-24T17:13:55Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
WM-MoE: Weather-aware Multi-scale Mixture-of-Experts for Blind Adverse Weather Removal [38.257012295118145]
Mixture-of-Experts (MoE) は、学習可能なゲートを採用して、入力を異なる専門家ネットワークにルーティングする人気モデルである。本稿では, 視覚障害者の視覚障害者のためのTransformer を用いた気象対応マルチスケールMOE (WM-MoE) を提案する。本手法は,2つのパブリックデータセットとデータセットに対して,盲点悪天候除去における最先端性能を実現する。
論文参考訳（メタデータ） (2023-03-24T01:46:25Z)
TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
論文参考訳（メタデータ） (2021-11-29T18:57:09Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Mutual-GAN: Towards Unsupervised Cross-Weather Adaptation with Mutual Information Constraint [32.67453558911618]
畳み込みニューラルネットワーク(CNN)はセマンティックセグメンテーション(セマンティックセグメンテーション)の成功を証明している。現実的な応用では、屋外の天気と照明は、例えば、曇りや夜間のように変更可能であり、CNNの日中のデータでのみ訓練されたセマンティックセマンティックセマンティクスの精度が著しく低下する。本研究では,悪天候下で撮影された映像に対して,日中トレーニングニューラルネットワークを適用した場合の精度低下を軽減するために,新たな生成逆ネットワーク(Mutual-GAN)を提案する。
論文参考訳（メタデータ） (2021-06-30T11:44:22Z)
Weather GAN: Multi-Domain Weather Translation Using Generative Adversarial Networks [76.64158017926381]
新しいタスク、すなわち、あるカテゴリから別のカテゴリに画像の気象条件を転送することを指す天気翻訳が提案されています。ジェネレーション・アドバーサリー・ネットワーク(GAN)に基づくマルチドメインの気象翻訳手法を開発しています。本手法は, 気象翻訳による歪みと変形を抑制する。
論文参考訳（メタデータ） (2021-03-09T13:51:58Z)
Robust Semantic Segmentation in Adverse Weather Conditions by means of Fast Video-Sequence Segmentation [12.788867618508688]
ビデオセグメンテーションアプローチは、現在の画像情報に加えて、以前のビデオフレームの時間情報をキャプチャする。しばしばリカレントニューラルネットワークに基づくビデオセグメンテーションアプローチは、もはやリアルタイムアプリケーションには適用できない。この作業では、LSTM-ICNetは、ネットワークの繰り返しユニットを変更して、再びリアルタイムに実行できるようにする。
論文参考訳（メタデータ） (2020-07-01T07:29:35Z)

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。