論文の概要: An Active and Contrastive Learning Framework for Fine-Grained Off-Road Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2202.09002v1
• Date: Fri, 18 Feb 2022 03:16:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 14:17:08.029207
• Title: An Active and Contrastive Learning Framework for Fine-Grained Off-Road Semantic Segmentation
• Title（参考訳）: きめ細かなオフロード意味セグメンテーションのためのアクティブ・コントラスト学習フレームワーク
• Authors: Biao Gao, Xijun Zhao, Huijing Zhao
• Abstract要約: 自動運転車が運転シーンを理解するためには、詳細なラベル付きオフロードセマンティックセマンティックセマンティックセマンティクスが必要である。 オフロードシーンにおける微粒なセマンティックセグメンテーションは通常、あいまいな自然環境のために統一されたカテゴリ定義を持たない。 本研究では,画素単位のラベルに依存しない能動的かつ対照的な学習手法を提案する。
• 参考スコア（独自算出の注目度）: 7.035838394813961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Off-road semantic segmentation with fine-grained labels is necessary for autonomous vehicles to understand driving scenes, as the coarse-grained road detection can not satisfy off-road vehicles with various mechanical properties. Fine-grained semantic segmentation in off-road scenes usually has no unified category definition due to ambiguous nature environments, and the cost of pixel-wise labeling is extremely high. Furthermore, semantic properties of off-road scenes can be very changeable due to various precipitations, temperature, defoliation, etc. To address these challenges, this research proposes an active and contrastive learning-based method that does not rely on pixel-wise labels, but only on patch-based weak annotations for model learning. There is no need for predefined semantic categories, the contrastive learning-based feature representation and adaptive clustering will discover the category model from scene data. In order to actively adapt to new scenes, a risk evaluation method is proposed to discover and select hard frames with high-risk predictions for supplemental labeling, so as to update the model efficiently. Experiments conducted on our self-developed off-road dataset and DeepScene dataset demonstrate that fine-grained semantic segmentation can be learned with only dozens of weakly labeled frames, and the model can efficiently adapt across scenes by weak supervision, while achieving almost the same level of performance as typical fully supervised baselines.
• Abstract（参考訳）: 微粒なラベルを持つオフロードセマンティックセマンティックセマンティクスは、様々な機械的特性を持つオフロード車両を満足できないため、自動運転車が走行シーンを理解するために必要である。 オフロードシーンにおける微粒なセマンティックセグメンテーションは通常、曖昧な自然環境のために統一されたカテゴリ定義を持たない。 さらに, 降水量, 温度, 剥離などにより, オフロードシーンのセマンティックな特性は, 非常に変化しやすい。 これらの課題に対処するため,本研究では,画素単位のラベルに依存せず,パッチベースの弱いアノテーションにのみ依存する,アクティブでコントラストのある学習手法を提案する。 事前定義されたセマンティックなカテゴリは不要であり、対照的な学習に基づく特徴表現と適応クラスタリングはシーンデータからカテゴリモデルを発見する。 新しいシーンに積極的に適応するために,サプリメントラベリングのための高リスク予測付きハードフレームの検出と選択を行い,モデルを効率的に更新するリスク評価手法を提案する。 筆者らが開発したオフロードデータセットとDeepSceneデータセットを用いて行った実験は、数十の弱いラベル付きフレームで、きめ細かいセマンティックセマンティックセマンティクスを学習できることを示し、モデルは、一般的な完全な教師付きベースラインとほぼ同じレベルのパフォーマンスを実現しつつ、弱い監視によって、シーン間で効率的に適応することができる。

関連論文リスト

• 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)
• Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
  オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。 本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T09:51:27Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Navigation-Oriented Scene Understanding for Robotic Autonomy: Learning to Segment Driveability in Egocentric Images [25.350677396144075]
  この研究は、屋外ロボットナビゲーションのシーン理解に取り組み、オンボードカメラで撮影された画像にのみ依存する。 我々は、ロボットがどのようにナビゲートするかという点で、自我中心の画像を直接分類し、学習問題を自律的なナビゲーションタスクに合わせる。 任意のシーンに適用可能な3つの駆動性レベルからなる汎用的かつスケーラブルなアベイランスベースの定義を提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:25:56Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• OFFSEG: A Semantic Segmentation Framework For Off-Road Driving [6.845371503461449]
  OFFSEGと呼ばれるオフロードセマンティックセグメンテーションのためのフレームワークを提案する。 オフロードセマンティクスセグメンテーションは、不均一な地形、非構造なクラス境界、不規則な特徴、強いテクスチャが存在するため、困難である。
  論文  参考訳（メタデータ） (2021-03-23T09:45:41Z)
• Fine-Grained Off-Road Semantic Segmentation and Mapping via Contrastive Learning [7.965964259208489]
  道路検出やトラバーサビリティ解析は、移動ロボットが複雑なオフロードシーンを横断するための重要な技術である。 オフロードロボットには、きめ細かいラベルを持つシーンを理解する必要がある。 本研究では,ロボットがオフロードを横断する有意義なシーン理解を実現するための,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T13:23:24Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)

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。