Fugu-MT 論文翻訳(概要): Optical Flow Based Motion Detection for Autonomous Driving

論文の概要: Optical Flow Based Motion Detection for Autonomous Driving

arxiv url: http://arxiv.org/abs/2203.11693v1
Date: Thu, 3 Mar 2022 03:24:14 GMT
ステータス: 処理完了
システム内更新日: 2022-03-27 13:17:14.146952
Title: Optical Flow Based Motion Detection for Autonomous Driving
Title（参考訳）: 自律運転のための光フローに基づく運動検出
Authors: Ka Man Lo
Abstract要約: 入力として光流場情報を用いて動作状態を分類するためにニューラルネットワークモデルを訓練する。この実験は精度が高く、私たちのアイデアが実現可能で有望であることを示します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Motion detection is a fundamental but challenging task for autonomous driving. In particular scenes like highway, remote objects have to be paid extra attention for better controlling decision. Aiming at distant vehicles, we train a neural network model to classify the motion status using optical flow field information as the input. The experiments result in high accuracy, showing that our idea is viable and promising. The trained model also achieves an acceptable performance for nearby vehicles. Our work is implemented in PyTorch. Open tools including nuScenes, FastFlowNet and RAFT are used. Visualization videos are available at https://www.youtube.com/playlist?list=PLVVrWgq4OrlBnRebmkGZO1iDHEksMHKGk .
Abstract（参考訳）: モーション検出は、自動運転の基本的だが難しい課題である。特にハイウェイのようなシーンでは、遠隔のオブジェクトに注意を払う必要がある。遠距離車両を対象としたニューラルネットワークモデルを用いて,光学流場情報を入力として動作状態の分類を行う。この実験は精度が高く、私たちのアイデアが実現可能で有望であることを示します。訓練されたモデルは、近隣の車両にも許容できる性能を達成する。私たちの仕事はPyTorchで行われます。 nuScenes、FastFlowNet、RAFTといったオープンツールが使用されている。ビジュアライゼーションビデオはhttps://www.youtube.com/playlist? list=PLVVrWgq4OrlBnRebmkGZO1iDHEksMHKGk。

関連論文リスト

MOFA-Video: Controllable Image Animation via Generative Motion Field Adaptions in Frozen Image-to-Video Diffusion Model [78.11258752076046]
MOFA-Videoは、様々な制御可能な信号を用いて、所定の画像から映像を生成する高度な制御可能な画像アニメーション手法である。ビデオ生成パイプラインの動作を制御するために,複数のドメイン対応モーションフィールドアダプタを設計する。トレーニングの後、異なるドメインのMOFA-Adaptersは、より制御可能なビデオ生成のために協力することもできる。
論文参考訳（メタデータ） (2024-05-30T16:22:22Z)
Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement Learning in CARLA [0.0]
このプロジェクトの目的は、深層強化学習技術を用いて、不確実な環境での走行を判断できるように自動運転車を訓練することである。シミュレータは、自動運転モデルのトレーニングとテストのための現実的で都市環境を提供する。
論文参考訳（メタデータ） (2023-10-23T04:23:07Z)
Follow Anything: Open-set detection, tracking, and following in real-time [89.83421771766682]
我々は,物体をリアルタイムで検出,追跡,追跡するロボットシステムを提案する。私たちのアプローチは、何でも従う"(FAn)と呼ばれ、オープンな語彙とマルチモーダルモデルです。 FAnは軽量(6～8GB)グラフィックカードでラップトップにデプロイでき、毎秒6～20フレームのスループットを実現する。
論文参考訳（メタデータ） (2023-08-10T17:57:06Z)
Linking vision and motion for self-supervised object-centric perception [16.821130222597155]
オブジェクト中心の表現は、自律運転アルゴリズムが多くの独立したエージェントとシーンの特徴の間の相互作用を推論することを可能にする。伝統的にこれらの表現は教師付き学習によって得られてきたが、これは下流の駆動タスクからの認識を分離し、一般化を損なう可能性がある。我々は、RGBビデオと車両のポーズを入力として、自己教師対象中心の視覚モデルを適用してオブジェクト分解を行う。
論文参考訳（メタデータ） (2023-07-14T04:21:05Z)
Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
論文参考訳（メタデータ） (2023-01-03T08:52:49Z)
Self-Supervised Moving Vehicle Detection from Audio-Visual Cues [29.06503735149157]
本稿では,映像中の移動車両の検出に音声視覚的手がかりを活用する自己教師型アプローチを提案する。提案手法では,画像と記録音声の対から画像中の車両を位置決めするのに対して,コントラスト学習を用いる。そこで本研究では,教師が音声のみの検出モデルを監督するために,本モデルを利用できることを示す。
論文参考訳（メタデータ） (2022-01-30T09:52:14Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)
YOLOP: You Only Look Once for Panoptic Driving Perception [21.802146960999394]
本稿では,交通物体検出,乾燥領域分割,車線検出を同時に行うパノプティカル駆動認識ネットワーク(YOLOP)を提案する。特徴抽出のための1つのエンコーダと、特定のタスクを処理する3つのデコーダで構成されている。私たちのモデルは、BDD100Kデータセットで非常によく機能し、正確性とスピードの観点から、3つのタスクすべてで最先端の処理を実現しています。
論文参考訳（メタデータ） (2021-08-25T14:19:42Z)
DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文参考訳（メタデータ） (2021-04-30T15:30:05Z)
VM-MODNet: Vehicle Motion aware Moving Object Detection for Autonomous Driving [3.6550372593827887]
移動物体検出(MOD)は自律運転において重要な課題である。我々は,車両の運動情報を活用し,モデルに入力し,自我運動に基づく適応機構を実現することを目的とする。 Vehicle Motion (VMT) を用いたモデルでは,ベースラインアーキテクチャよりもmIoUが5.6%向上した。
論文参考訳（メタデータ） (2021-04-22T10:46:55Z)
Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
論文参考訳（メタデータ） (2021-03-20T16:29:01Z)

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。