論文の概要: Eigenlanes: Data-Driven Lane Descriptors for Structurally Diverse Lanes
- arxiv url: http://arxiv.org/abs/2203.15302v1
- Date: Tue, 29 Mar 2022 07:45:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 15:12:56.569844
- Title: Eigenlanes: Data-Driven Lane Descriptors for Structurally Diverse Lanes
- Title(参考訳): Eigenlanes: 構造的に異なるレーンのためのデータ駆動レーン記述子
- Authors: Dongkwon Jin, Wonhui Park, Seong-Gyun Jeong, Heeyeon Kwon, Chang-Su
Kim
- Abstract要約: 固有レーン空間における道路車線検出のための新しいアルゴリズムを提案する。
固有レーン(英: Eigenlanes)は、曲線や直線線を含む、構造的に多様なレーンのためのデータ駆動ディスクリプタである。
提案アルゴリズムは、構造的に多様な車線に対する優れた検出性能を提供する。
- 参考スコア(独自算出の注目度): 37.09862617049865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel algorithm to detect road lanes in the eigenlane space is proposed in
this paper. First, we introduce the notion of eigenlanes, which are data-driven
descriptors for structurally diverse lanes, including curved, as well as
straight, lanes. To obtain eigenlanes, we perform the best rank-M approximation
of a lane matrix containing all lanes in a training set. Second, we generate a
set of lane candidates by clustering the training lanes in the eigenlane space.
Third, using the lane candidates, we determine an optimal set of lanes by
developing an anchor-based detection network, called SIIC-Net. Experimental
results demonstrate that the proposed algorithm provides excellent detection
performance for structurally diverse lanes. Our codes are available at
https://github.com/dongkwonjin/Eigenlanes.
- Abstract(参考訳): 本稿では,固有レーン空間における道路レーンを検出する新しいアルゴリズムを提案する。
まず、曲線や直線を含む構造的に多様なレーンのためのデータ駆動記述子である固有レーンの概念を紹介する。
固有レーンを得るために,すべてのレーンを含むレーン行列をトレーニングセットで最適ランクM近似する。
第2に,固有レーン空間におけるトレーニングレーンをクラスタリングすることにより,レーン候補の集合を生成する。
第3に、レーン候補を用いて、SIIC-Netと呼ばれるアンカーベース検出ネットワークを開発することにより、最適なレーン集合を決定する。
実験の結果,提案手法は構造的に多様なレーンに対して優れた検出性能を提供することがわかった。
私たちのコードはhttps://github.com/dongkwonjin/eigenlanesで利用可能です。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳(メタデータ) (2024-11-25T12:09:43Z) - ENet-21: An Optimized light CNN Structure for Lane Detection [1.4542411354617986]
本研究では,車線検出問題に対する最適構造について検討する。
現代の車両の運転支援機能には有望なソリューションを提供する。
TuSimpleデータセットの実験は提案手法の有効性を支持する。
論文 参考訳(メタデータ) (2024-03-28T19:07:26Z) - Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。
提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。
本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
論文 参考訳(メタデータ) (2024-01-26T09:28:14Z) - LaneSegNet: Map Learning with Lane Segment Perception for Autonomous
Driving [60.55208681215818]
道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。
提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。
OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
論文 参考訳(メタデータ) (2023-12-26T16:22:10Z) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-19T11:24:14Z) - Multi Lane Detection [12.684545950979187]
車線検出は自動運転の基本モジュールである。
私たちの仕事はCNNのバックボーンDLA-34とAffinity Fieldsをベースにしています。
より効率的な車線検出アルゴリズムを実現するための新しい復号法について検討する。
論文 参考訳(メタデータ) (2022-12-22T08:20:08Z) - 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)
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。