論文の概要: ARTSeg: Employing Attention for Thermal images Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2111.15257v1
- Date: Tue, 30 Nov 2021 10:17:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 23:19:11.989948
- Title: ARTSeg: Employing Attention for Thermal images Semantic Segmentation
- Title（参考訳）: ARTSeg: 熱画像のセマンティックセグメンテーションに注意を払う
- Authors: Farzeen Munir, Shoaib Azam, Unse Fatima and Moongu Jeon
- Abstract要約: サーマルセマンティックセグメンテーションのためのARTSegという,アテンションベースのRecurrent Convolution Network (RCNN)エンコーダ・デコーダアーキテクチャを設計した。
提案手法の有効性を公開データセット上で評価し, 平均和合(IoU)における他の最先端手法よりも優れた性能を示す。
- 参考スコア（独自算出の注目度）: 6.060020806741279
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The research advancements have made the neural network algorithms deployed in
the autonomous vehicle to perceive the surrounding. The standard exteroceptive
sensors that are utilized for the perception of the environment are cameras and
Lidar. Therefore, the neural network algorithms developed using these
exteroceptive sensors have provided the necessary solution for the autonomous
vehicle's perception. One major drawback of these exteroceptive sensors is
their operability in adverse weather conditions, for instance, low illumination
and night conditions. The useability and affordability of thermal cameras in
the sensor suite of the autonomous vehicle provide the necessary improvement in
the autonomous vehicle's perception in adverse weather conditions. The
semantics of the environment benefits the robust perception, which can be
achieved by segmenting different objects in the scene. In this work, we have
employed the thermal camera for semantic segmentation. We have designed an
attention-based Recurrent Convolution Network (RCNN) encoder-decoder
architecture named ARTSeg for thermal semantic segmentation. The main
contribution of this work is the design of encoder-decoder architecture, which
employ units of RCNN for each encoder and decoder block. Furthermore, additive
attention is employed in the decoder module to retain high-resolution features
and improve the localization of features. The efficacy of the proposed method
is evaluated on the available public dataset, showing better performance with
other state-of-the-art methods in mean intersection over union (IoU).
- Abstract（参考訳）: 研究の進展により、ニューラルネットワークアルゴリズムが自動運転車に展開され、周囲を認識できるようになった。
環境の知覚に使用される標準の過敏性センサーは、カメラとライダーである。
したがって、これらの外部受容センサーを用いて開発されたニューラルネットワークアルゴリズムは、自動運転車の知覚に必要な解決策となった。
これらの感光性センサーの大きな欠点は、例えば低照度や夜間のような悪天候条件下での操作性である。
自動運転車のセンサースイートにおけるサーマルカメラの使用性と可利用性は、悪天候下での自動運転車の認識に必要となる改善をもたらす。
環境の意味論は、シーン内の異なるオブジェクトをセグメント化することで達成できる、堅牢な知覚の恩恵を受ける。
本研究では,サーマルカメラを用いてセマンティックセグメンテーションを行った。
サーマルセマンティクスセグメンテーションのためのartegという,注意に基づくリカレント畳み込みネットワーク(rcnn)エンコーダ・デコーダアーキテクチャを設計した。
この研究の主な貢献は、エンコーダとデコーダブロックごとにrcnnの単位を使用するエンコーダ-デコーダアーキテクチャの設計である。
さらに、デコーダモジュールには高解像度の機能を維持し、特徴のローカライゼーションを改善するために追加の注意が用いられる。
提案手法の有効性を公開データセット上で評価し,他の最先端手法と比較し,平均和合(IoU)における性能を向上した。
関連論文リスト
- Sensor Equivariance by LiDAR Projection Images [4.413278371057897]
本稿では、関連する投影特性を符号化した追加チャネルによる従来の画像データの拡張を提案する。
これは、LiDARのような投影型センサーにおけるセンサ依存オブジェクト表現の問題に対処する。
論文 参考訳（メタデータ） (2023-04-29T10:16:02Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - Extrinsic Camera Calibration with Semantic Segmentation [60.330549990863624]
本稿では,セグメンテーション情報を利用してパラメータ推定を自動化する,外部カメラキャリブレーション手法を提案する。
われわれのアプローチは、カメラのポーズの粗い初期測定と、車両に搭載されたライダーセンサーによる構築に依存している。
シミュレーションおよび実世界のデータを用いて,キャリブレーション結果の低誤差測定を行う。
論文 参考訳（メタデータ） (2022-08-08T07:25:03Z) - SAFE-OCC: A Novelty Detection Framework for Convolutional Neural Network
Sensors and its Application in Process Control [0.0]
本稿では,センサアクティベート特徴抽出ワンクラス分類(SAFE-OCC)と呼ばれる,畳み込みニューラルネットワーク(CNN)センサの新規検出フレームワークを提案する。
このフレームワークは,プロセス制御アーキテクチャにおけるコンピュータビジョンセンサの安全な利用を可能にする。
論文 参考訳（メタデータ） (2022-02-03T19:47:55Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - Decoder Fusion RNN: Context and Interaction Aware Decoders for
Trajectory Prediction [53.473846742702854]
本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。
Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。
提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
論文 参考訳（メタデータ） (2021-08-12T15:53:37Z) - Dynamic Neural Representational Decoders for High-Resolution Semantic
Segmentation [98.05643473345474]
動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。
エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。
このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
論文 参考訳（メタデータ） (2021-07-30T04:50:56Z) - Lite-HDSeg: LiDAR Semantic Segmentation Using Lite Harmonic Dense
Convolutions [2.099922236065961]
完全3ドルのLiDAR点雲のセマンティックセグメンテーションのための,新しいリアルタイム畳み込みニューラルネットワークLite-HDSegを提案する。
提案手法は,リアルタイムに動作可能な意味セグメンテーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-16T04:54:57Z) - SSTN: Self-Supervised Domain Adaptation Thermal Object Detection for
Autonomous Driving [6.810856082577402]
コントラスト学習により可視スペクトル領域と赤外スペクトル領域の情報を最大化するための機能埋め込みを学習するためのディープニューラルネットワークSelf Supervised Thermal Network (SSTN)を提案する。
提案手法は、FLIR-ADASデータセットとKAISTマルチスペクトラルデータセットの2つの公開データセットで広く評価されている。
論文 参考訳（メタデータ） (2021-03-04T16:42:49Z) - Channel Boosting Feature Ensemble for Radar-based Object Detection [6.810856082577402]
レーダーベースの物体検出は、悪天候下でデプロイおよび使用される対応するセンサーモダリティを提供する。
提案手法の有効性をCOCO評価指標を用いて広く評価する。
論文 参考訳（メタデータ） (2021-01-10T12:20:58Z) - Exploring Thermal Images for Object Detection in Underexposure Regions
for Autonomous Driving [67.69430435482127]
アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。
サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。
本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-01T09:59:09Z)
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。