論文の概要: Dense Residual Networks for Gaze Mapping on Indian Roads
- arxiv url: http://arxiv.org/abs/2203.11611v1
- Date: Tue, 22 Mar 2022 10:58:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 22:53:01.581774
- Title: Dense Residual Networks for Gaze Mapping on Indian Roads
- Title(参考訳): インド道路における迷路マッピングのための高密度残差ネットワーク
- Authors: Chaitanya Kapoor, Kshitij Kumar, Soumya Vishnoi and Sriram Ramanathan
- Abstract要約: 本稿では,運転者の視線を道路上にマッピングする新しいアーキテクチャDR-Gazeを提案する。
DGAZEデータセットの過去の研究結果と最先端の成果との比較を行った。
- 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 the recent past, greater accessibility to powerful computational resources
has enabled progress in the field of Deep Learning and Computer Vision to grow
by leaps and bounds. This in consequence has lent progress to the domain of
Autonomous Driving and Navigation Systems. Most of the present research work
has been focused on driving scenarios in the European or American roads. Our
paper draws special attention to the Indian driving context. To this effect, we
propose a novel architecture, DR-Gaze, which is used to map the driver's gaze
onto the road. We compare our results with previous works and state-of-the-art
results on the DGAZE dataset. Our code will be made publicly available upon
acceptance of our paper.
- Abstract(参考訳): 近年、強力な計算資源へのアクセシビリティが高まり、ディープラーニングとコンピュータビジョンの分野における進歩が飛躍と限界によって成長してきた。
これは結果として、自動運転とナビゲーションシステムの領域に進歩をもたらした。
現在の研究のほとんどは、ヨーロッパやアメリカの道路での運転シナリオに焦点が当てられている。
我々の論文はインドの運転状況に特に注意を払っている。
そこで本研究では,運転者の視線を道路上にマッピングするための新しい設計であるdr-gazeを提案する。
DGAZEデータセットのこれまでの成果と最先端の結果を比較した。
私たちのコードは私たちの論文を受理して公開します。
関連論文リスト
- G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - A Big-Data Driven Framework to Estimating Vehicle Volume based on Mobile
Device Location Data [0.40631409309544836]
車両の体積は、交通信号の制御、交通計画の優先順位付け、道路整備などの基礎となる重要な指標となっている。
従来の車両の体積を定量化する方法は、限られた場所における手動計数、ビデオカメラ、ループ検出器に頼っている。
本稿では, 大規模な地理的領域において, テラバイト単位のデバイス位置情報を取り込み, 車両の体積を推定できる, 大規模データ駆動型フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-20T16:23:17Z) - An Indian Roads Dataset for Supported and Suspended Traffic Lights
Detection [6.6268035955374005]
本稿では、先進国とインド道路に基づく既存のデータセットの徹底的な比較について述べる。
私たちのデータセットは、サイズ、アノテーション、分散の以前のインドのトラフィックライトデータセットを超えています。
サイズ、撮影装置、多くの都市、交通光の向きのバリエーションなど、さまざまなデータセットの基準が考慮されている。
論文 参考訳(メタデータ) (2022-09-09T09:37:50Z) - Sensing and Mapping for Better Roads: Initial Plan for Using Federated
Learning and Implementing a Digital Twin to Identify the Road Conditions in a
Developing Country -- Sri Lanka [0.0]
我々は、スリランカのような発展途上国が、プライバシ対応機械学習技術の恩恵を受ける方法を提案する。
我々はスリランカの国有道路システムにデジタルツインを実装するというアイデアを提案する。
論文 参考訳(メタデータ) (2021-07-30T11:06:32Z) - Embedded Vision for Self-Driving on Forest Roads [0.0]
AMTUは、オフロードの地形を自律的にナビゲートし、軌道に沿って森林破壊や損傷が発生したかどうかを検査するように設計されたロボットシステムである。
AMTUのコアコンポーネントは組み込みビジョンモジュールで、リアルタイム環境認識に最適化されている。
本研究施設の試験軌道における実験結果について報告する。
論文 参考訳(メタデータ) (2021-05-27T09:05:08Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - ROAD: The ROad event Awareness Dataset for Autonomous Driving [16.24547478826027]
ROADは、自動運転車が道路イベントを検出する能力をテストするように設計されている。
22のビデオで構成され、各道路イベントのイメージプレーンの位置を示すバウンディングボックスがアノテートされています。
また、RetinaNetに基づいて、オンライン道路イベント認識のための新しいインクリメンタルアルゴリズムをベースラインとして提供します。
論文 参考訳(メタデータ) (2021-02-23T09:48:56Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳(メタデータ) (2020-08-21T03:16:51Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳(メタデータ) (2020-07-10T22:25:27Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized
Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。
ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。
我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文 参考訳(メタデータ) (2020-05-08T19:07:03Z)
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。