論文の概要: Characterization of Semantic Segmentation Models on Mobile Platforms for
Self-Navigation in Disaster-Struck Zones
- arxiv url: http://arxiv.org/abs/2202.01421v1
- Date: Thu, 3 Feb 2022 05:40:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-04 23:43:36.811103
- Title: Characterization of Semantic Segmentation Models on Mobile Platforms for
Self-Navigation in Disaster-Struck Zones
- Title(参考訳): 災害現場における移動プラットフォーム上でのセマンティックセグメンテーションモデルの評価
- Authors: Ryan Zelek and Hyeran Jeon
- Abstract要約: 地震帯での自己航行は、道路のひび割れ、道路の破片、水たまりなどの不規則な形をした障害物を検出するというユニークな課題がある。
これらの場所での自己ナビゲーションのために,モバイル組み込みプラットフォーム上で多数の最先端のFCNモデルを特徴付ける。
我々は,地震・地震帯特有の障害を特定するために,最先端のセマンティックセマンティックセマンティクスモデルを用いてデータベースを訓練する。
- 参考スコア(独自算出の注目度): 0.46195413483289366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The role of unmanned vehicles for searching and localizing the victims in
disaster impacted areas such as earthquake-struck zones is getting more
important. Self-navigation on an earthquake zone has a unique challenge of
detecting irregularly shaped obstacles such as road cracks, debris on the
streets, and water puddles. In this paper, we characterize a number of
state-of-the-art FCN models on mobile embedded platforms for self-navigation at
these sites containing extremely irregular obstacles. We evaluate the models in
terms of accuracy, performance, and energy efficiency. We present a few
optimizations for our designed vision system. Lastly, we discuss the trade-offs
of these models for a couple of mobile platforms that can each perform
self-navigation. To enable vehicles to safely navigate earthquake-struck zones,
we compiled a new annotated image database of various earthquake impacted
regions that is different than traditional road damage databases. We train our
database with a number of state-of-the-art semantic segmentation models in
order to identify obstacles unique to earthquake-struck zones. Based on the
statistics and tradeoffs, an optimal CNN model is selected for the mobile
vehicular platforms, which we apply to both low-power and extremely low-power
configurations of our design. To our best knowledge, this is the first study
that identifies unique challenges and discusses the accuracy, performance, and
energy impact of edge-based self-navigation mobile vehicles for
earthquake-struck zones. Our proposed database and trained models are publicly
available.
- Abstract(参考訳): 地震など被災地における被災者の捜索・位置特定における無人車両の役割はますます重要になっている。
地震帯での自己航行は、道路のひび割れ、道路の破片、水たまりなどの不規則な形の障害物を検出するというユニークな課題がある。
本稿では,非常に不規則な障害物を含む地点での自己航行を行うモバイル組込みプラットフォーム上で,最先端のFCNモデルを特徴付ける。
我々は,モデルの精度,性能,エネルギー効率について評価する。
設計した視覚システムの最適化について紹介する。
最後に、これらのモデルのトレードオフについて、それぞれが自己ナビゲートを行うことができるいくつかのモバイルプラットフォームについて論じる。
車両が安全に地震発生帯を走行できるようにするため,従来の道路被害データベースとは異なる各種地震被害域の注釈付き画像データベースを作成した。
我々は,地震帯に特有の障害を識別するために,最先端のセマンティクスセグメンテーションモデルを用いてデータベースを訓練する。
統計とトレードオフに基づいて,移動車載プラットフォームに対して最適なCNNモデルが選択され,設計の低消費電力と極低出力の両方に適用される。
われわれの知る限り、この研究は、独自の課題を特定し、エッジベースの自走自走車による地震・トラック地帯の精度、性能、エネルギーへの影響を論じる最初の研究である。
提案するデータベースとトレーニングモデルが公開されている。
関連論文リスト
- BadODD: Bangladeshi Autonomous Driving Object Detection Dataset [0.0]
バングラデシュの9地区にわたる多様な運転環境における物体検出のための包括的データセットを提案する。
スマートフォンカメラからのみ収集されたデータセットは、現実のシナリオを現実的に表現したものだ。
論文 参考訳(メタデータ) (2024-01-19T12:26:51Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Deep Single Models vs. Ensembles: Insights for a Fast Deployment of
Parking Monitoring Systems [3.00363876980149]
多くのアプローチでは大量のデータの収集とラベル付けを行うため、インテリジェントな駐車監視は依然として課題である。
本研究の目的は,公用ラベル付き駐車場画像を用いて訓練されたグローバルなフレームワーク構築の課題を明らかにすることである。
その結果、多様なデータセットでトレーニングされたモデルは、目標駐車場におけるデータアノテーションやモデルトレーニングの負担を伴わずに95%の精度を達成できることがわかった。
論文 参考訳(メタデータ) (2023-09-28T14:59:53Z) - Fusing Pseudo Labels with Weak Supervision for Dynamic Traffic Scenarios [0.0]
我々は、異種データセットで訓練されたオブジェクト検出モデルから擬似ラベルをアマルガメートする弱い教師付きラベル統一パイプラインを導入する。
我々のパイプラインは、異なるデータセットからのラベルの集約、バイアスの修正、一般化の強化を通じて、統一されたラベル空間をエンゲージする。
我々は,統合ラベル空間を用いた単独物体検出モデルを再学習し,動的交通シナリオに精通した弾力性のあるモデルを構築した。
論文 参考訳(メタデータ) (2023-08-30T11:33:07Z) - How To Not Train Your Dragon: Training-free Embodied Object Goal
Navigation with Semantic Frontiers [94.46825166907831]
Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。
本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。
本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
論文 参考訳(メタデータ) (2023-05-26T13:38:33Z) - 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) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳(メタデータ) (2022-11-15T13:52:41Z) - Uncertainty-aware Perception Models for Off-road Autonomous Unmanned
Ground Vehicles [6.2574402913714575]
オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給するために軍用および商業用途のために開発されている。
現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如に対する、オフロード自律ナビゲーションのための知覚モデルのトレーニングに使用されています。
本研究では,複数のデータセットを組み合わせてセグメンテーションに基づく環境認識モデルを学習する方法について検討する。
我々は,不確実性を捉えるためにモデルをトレーニングすることで,モデルの性能を著しく向上させることができることを示した。
論文 参考訳(メタデータ) (2022-09-22T15:59:33Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳(メタデータ) (2020-11-20T10:30:43Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳(メタデータ) (2020-05-04T17:45:18Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
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。