Fugu-MT 論文翻訳(概要): Lane detection with Position Embedding

論文の概要: Lane detection with Position Embedding

arxiv url: http://arxiv.org/abs/2203.12301v1
Date: Wed, 23 Mar 2022 09:48:59 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 23:56:43.542522
Title: Lane detection with Position Embedding
Title（参考訳）: 位置埋め込みによる車線検出
Authors: Jun Xie, Jiacheng Han, Dezhen Qi, Feng Chen, Kaer Huang, Jianwei Shuai
Abstract要約: 通常のCNNを用いた予備的特徴抽出後の車線特徴量向上のための新しいモジュールを提案する。空間的特徴を高めるため,RESAに基づく位置埋め込み手法を提案する。実験の結果、この手法はTusimpleデータセット上で96.93%の精度を達成した。
参考スコア（独自算出の注目度）: 14.720302401952157
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Recently, lane detection has made great progress in autonomous driving. RESA (REcurrent Feature-Shift Aggregator) is based on image segmentation. It presents a novel module to enrich lane feature after preliminary feature extraction with an ordinary CNN. For Tusimple dataset, there is not too complicated scene and lane has more prominent spatial features. On the basis of RESA, we introduce the method of position embedding to enhance the spatial features. The experimental results show that this method has achieved the best accuracy 96.93% on Tusimple dataset.
Abstract（参考訳）: 近年,車線検出は自動運転において大きな進歩を遂げている。 RESA (Recurrent Feature-Shift Aggregator) は画像セグメンテーションに基づいている。通常のCNNによる予備的特徴抽出後の車線特徴を豊かにする新しいモジュールを提供する。 Tusimpleデータセットでは、複雑なシーンはなく、レーンはより顕著な空間的特徴を持つ。本稿では,resaに基づき,空間的特徴を高めるための位置埋め込み手法を提案する。実験の結果、この手法はtusimpleデータセットで96.93%の精度を達成した。

関連論文リスト

RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文参考訳（メタデータ） (2022-07-19T16:48:39Z)
Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
車線検出は自動運転における中核機能の一つである。既存のほとんどの手法はCNNベースの手法に頼っている。本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
論文参考訳（メタデータ） (2022-03-08T13:25:35Z)
Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection [99.16162624992424]
Voxel R-CNNというシンプルで効果的なVoxelベースのフレームワークを考案しました。 2段階のアプローチでボクセルの特徴をフル活用することにより,最先端の点ベースモデルと同等の精度で検出できる。その結果、Voxel R-CNNは、NVIDIA 2080 Ti GPU上での25 FPSの速度で、リアルタイムフレーム処理速度を維持しながら、より高い検出精度を提供する。
論文参考訳（メタデータ） (2020-12-31T17:02:46Z)
RONELD: Robust Neural Network Output Enhancement for Active Lane Detection [1.3965477771846408]
最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。 RONELDの精度は最大2倍に向上した。
論文参考訳（メタデータ） (2020-10-19T14:22:47Z)
RESA: Recurrent Feature-Shift Aggregator for Lane Detection [32.246537653680484]
通常のCNNを用いた予備的特徴抽出の後,車線特徴量を高めるために,Recurrent Feature-Shift Aggregator (RESA) という新しいモジュールを提案する。 RESAは、スライスされた特徴写像を集約することで、外観の弱い難解なシナリオでレーンを正確に予測することができる。提案手法は,2つの人気のある車線検出ベンチマーク(CULaneとTusimple)の最先端結果を実現する。
論文参考訳（メタデータ） (2020-08-31T16:37:30Z)
Heatmap-based Vanishing Point boosts Lane Detection [3.8170259685864165]
高速車線検出のためのマルチタスク・フュージョン・ネットワークアーキテクチャを提案する。提案した融合戦略は、公開CULaneデータセットを用いて検証された。実験結果から,本手法の車線検出精度は,最先端(SOTA)法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-07-30T17:17:00Z)
CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending [102.98909328368481]
CurveLane-NASは、レーンに敏感なアーキテクチャ検索フレームワークである。長距離コヒーレントと正確な短距離曲線情報の両方をキャプチャする。点ブレンディングによる曲線線予測において、アーキテクチャ探索と後処理の両方を統一する。
論文参考訳（メタデータ） (2020-07-23T17:23:26Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)
SUPER: A Novel Lane Detection System [26.417172945374364]
本研究では,Scene Understanding Physics-Enhanced Real-time (SUPER)アルゴリズムと呼ばれるリアルタイムレーン検出システムを提案する。我々は、Cityscapes、Vistas、Apolloの異種データを用いて提案システムを訓練し、4つの完全に独立したデータセットのパフォーマンスを評価する。予備試験の結果,Mobileyeと比較して実車線検出性能は有望であった。
論文参考訳（メタデータ） (2020-05-14T21:40:39Z)
Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文参考訳（メタデータ） (2020-03-28T18:51:43Z)
Semi-Local 3D Lane Detection and Uncertainty Estimation [6.296104145657063]
本手法は, 半局所的, BEV, タイル表現に基づいて, レーンを単純なレーンセグメントに分解する。セグメントのパラメトリックモデル学習と、セグメントを完全なレーンにまとめるのに使用される深い機能埋め込みを組み合わせる。本手法は,レーン検出タスクに対する学習に基づく不確実性推定を初めて出力する手法である。
論文参考訳（メタデータ） (2020-03-11T12:35:24Z)

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。