論文の概要: Object Detection in Autonomous Vehicles: Status and Open Challenges
- arxiv url: http://arxiv.org/abs/2201.07706v1
- Date: Wed, 19 Jan 2022 16:45:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 13:31:37.875195
- Title: Object Detection in Autonomous Vehicles: Status and Open Challenges
- Title（参考訳）: 自動運転車における物体検出の現状と課題
- Authors: Abhishek Balasubramaniam, Sudeep Pasricha
- Abstract要約: オブジェクト検出はコンピュータビジョンタスクであり、今日では多くの消費者向けアプリケーションにおいて不可欠な部分となっている。
深層学習に基づく物体検出器は、これらの物体をリアルタイムで発見し、位置づけする上で重要な役割を果たす。
本稿では、物体検出器の最先端と、自動運転車への統合に向けたオープンな課題について論じる。
- 参考スコア（独自算出の注目度）: 4.226118870861363
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Object detection is a computer vision task that has become an integral part
of many consumer applications today such as surveillance and security systems,
mobile text recognition, and diagnosing diseases from MRI/CT scans. Object
detection is also one of the critical components to support autonomous driving.
Autonomous vehicles rely on the perception of their surroundings to ensure safe
and robust driving performance. This perception system uses object detection
algorithms to accurately determine objects such as pedestrians, vehicles,
traffic signs, and barriers in the vehicle's vicinity. Deep learning-based
object detectors play a vital role in finding and localizing these objects in
real-time. This article discusses the state-of-the-art in object detectors and
open challenges for their integration into autonomous vehicles.
- Abstract（参考訳）: オブジェクト検出は、監視およびセキュリティシステム、モバイルテキスト認識、mri/ctスキャンによる疾患の診断など、今日の多くの消費者アプリケーションにおいて不可欠な部分となっているコンピュータビジョンタスクである。
オブジェクト検出は、自動運転をサポートする重要なコンポーネントの1つである。
自動運転車は安全で堅牢な運転性能を確保するために周囲の認識に依存している。
この認識システムは、物体検出アルゴリズムを使用して、歩行者、車両、交通標識、車両近傍の障壁などの物体を正確に判定する。
ディープラーニングベースのオブジェクト検出器は、これらのオブジェクトをリアルタイムで見つけてローカライズするのに重要な役割を果たす。
本稿では,物体検出における最先端の課題と,その自律走行車への統合に向けた課題について述べる。
関連論文リスト
- Real-time Traffic Object Detection for Autonomous Driving [5.780326596446099]
現代のコンピュータビジョン技術は、効率よりも精度を優先する傾向がある。
既存の物体検出器はリアルタイムには程遠い。
リアルタイム要件を取り入れた,より適切な代替案を提案する。
論文 参考訳（メタデータ） (2024-01-31T19:12:56Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。
本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文 参考訳（メタデータ） (2022-06-19T19:43:11Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - A Quality Index Metric and Method for Online Self-Assessment of
Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。
我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文 参考訳（メタデータ） (2022-03-04T22:16:50Z) - Evaluating Object (mis)Detection from a Safety and Reliability
Perspective: Discussion and Measures [1.8492669447784602]
本稿では,最も危険で運転決定に影響を及ぼす可能性が最も高い物体の正確な識別に報いる新しい物体検出手法を提案する。
我々は、最近の自律走行データセットnuScenesにモデルを適用し、9つの物体検出器を比較した。
その結果、いくつかの環境では、安全性と信頼性に重点を置いている場合、nuScenesランキングでベストに機能するオブジェクト検出器は好ましくないことが判明した。
論文 参考訳（メタデータ） (2022-03-04T09:31:20Z) - Provident Vehicle Detection at Night for Advanced Driver Assistance
Systems [3.7468898363447654]
本報告では, 夜間に来るべき車両を, 発生した光成果物に基づいて検出するシステムについて述べる。
本研究では,提案システムが提供する時間的メリットを,実稼働型コンピュータビジョンシステムと比較して定量化する。
論文 参考訳（メタデータ） (2021-07-23T15:27:17Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。