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
- 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) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - 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) - Repainting and Imitating Learning for Lane Detection [52.5220065495956]
現行の車線検出手法は、重い影による視認性車線問題に苦慮している。
本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。
提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
論文 参考訳(メタデータ) (2022-10-11T02:26:39Z) - 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) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - 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。
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。