Fugu-MT 論文翻訳(概要): Contextual road lane and symbol generation for autonomous driving

論文の概要: Contextual road lane and symbol generation for autonomous driving

arxiv url: http://arxiv.org/abs/2201.07120v1
Date: Tue, 18 Jan 2022 16:46:46 GMT
ステータス: 処理完了
システム内更新日: 2022-01-19 18:54:02.023939
Title: Contextual road lane and symbol generation for autonomous driving
Title（参考訳）: 自動運転のためのコンテキスト道路レーンとシンボル生成
Authors: Ajay Soni, Pratik Padamwar, Krishna Reddy Konda
Abstract要約: 我々は、生成的対向ネットワークをトレーニングすることで、車線と道路のシンボルの確率分布をモデル化する。学習した確率分布に基づいて、所定の画像に対してコンテキスト対応レーンと道路標識を生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we present a novel approach for lane detection and segmentation using generative models. Traditionally discriminative models have been employed to classify pixels semantically on a road. We model the probability distribution of lanes and road symbols by training a generative adversarial network. Based on the learned probability distribution, context-aware lanes and road signs are generated for a given image which are further quantized for nearest class label. Proposed method has been tested on BDD100K and Baidu ApolloScape datasets and performs better than state of the art and exhibits robustness to adverse conditions by generating lanes in faded out and occluded scenarios.
Abstract（参考訳）: 本稿では,生成モデルを用いた車線検出とセグメンテーションのための新しい手法を提案する。従来の識別モデルは、道路上のピクセルを意味的に分類するために用いられてきた。生成的逆ネットワークを訓練することにより,車線と道路シンボルの確率分布をモデル化する。学習した確率分布に基づいて、最寄りのクラスラベルに対してさらに定量化される所定の画像に対して、文脈対応レーンと道路標識を生成する。提案手法はBDD100K と Baidu ApolloScape のデータセットでテストされており、最先端の手法よりも優れた性能を示し、消失したシナリオや隠蔽シナリオのレーンを生成することにより、悪条件に対する堅牢性を示す。

関連論文リスト

X-Drive: Cross-modality consistent multi-sensor data synthesis for driving scenarios [105.16073169351299]
本稿では,点雲と多視点画像の連成分布をモデル化する新しいフレームワーク,X-DRIVEを提案する。 2つのモダリティの異なる幾何学的空間を考えると、X-DRIVE条件は対応する局所領域上の各モダリティの合成である。 X-DRIVEはテキスト、バウンディングボックス、画像、点雲を含む多レベル入力条件を通じて制御可能な生成を可能にする。
論文参考訳（メタデータ） (2024-11-02T03:52:12Z)
Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文参考訳（メタデータ） (2024-04-11T10:26:40Z)
Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-09-19T11:24:14Z)
Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文参考訳（メタデータ） (2023-03-17T00:28:33Z)
Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
論文参考訳（メタデータ） (2022-06-10T05:16:50Z)
Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
論文参考訳（メタデータ） (2021-07-05T04:34:51Z)
Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-05T18:14:36Z)
Vehicle Trajectory Prediction in Crowded Highway Scenarios Using Bird Eye View Representations and CNNs [0.0]
本稿では,図形表現を用いた車両軌道予測の新しい手法について述べる。この問題は、交通参加者間の基盤となる関係を学習するためにネットワークを訓練する画像回帰問題である。このモデルは2つの反対の交通流で同時に30台以上の車両で高速道路のシナリオでテストされている。
論文参考訳（メタデータ） (2020-08-26T11:15:49Z)
Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles [10.485790589381704]
軌道予測は自動運転車にとって不可欠である。レーン表現のための新しいインスタンス認識表現を提案する。提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2020-07-06T07:57:23Z)
Learning Probabilistic Intersection Traffic Models for Trajectory Prediction [8.536503379429032]
この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。この方法は時系列位置軌跡のセットで示される。モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
論文参考訳（メタデータ） (2020-02-05T19:22:26Z)

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。