論文の概要: NightLab: A Dual-level Architecture with Hardness Detection for Segmentation at Night

• arxiv url: http://arxiv.org/abs/2204.05538v1
• Date: Tue, 12 Apr 2022 05:50:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 01:01:22.361544
• Title: NightLab: A Dual-level Architecture with Hardness Detection for Segmentation at Night
• Title（参考訳）: NightLab: 夜間セグメンテーションのための硬度検出機能を備えたデュアルレベルのアーキテクチャ
• Authors: Xueqing Deng, Peng Wang, Xiaochen Lian, Shawn Newsam
• Abstract要約: 夜間セグメンテーションフレームワークであるNightLabを提案する。 画像と局所の2段階のモデルであり、各レベルは光適応とセグメンテーションモジュールで構成されている。 NightCityとBDD100Kデータセットの実験では、並行メソッドと比較して、NightLabはステート・オブ・ザ・アート(SoTA)のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 6.666707251631694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The semantic segmentation of nighttime scenes is a challenging problem that is key to impactful applications like self-driving cars. Yet, it has received little attention compared to its daytime counterpart. In this paper, we propose NightLab, a novel nighttime segmentation framework that leverages multiple deep learning models imbued with night-aware features to yield State-of-The-Art (SoTA) performance on multiple night segmentation benchmarks. Notably, NightLab contains models at two levels of granularity, i.e. image and regional, and each level is composed of light adaptation and segmentation modules. Given a nighttime image, the image level model provides an initial segmentation estimate while, in parallel, a hardness detection module identifies regions and their surrounding context that need further analysis. A regional level model focuses on these difficult regions to provide a significantly improved segmentation. All the models in NightLab are trained end-to-end using a set of proposed night-aware losses without handcrafted heuristics. Extensive experiments on the NightCity and BDD100K datasets show NightLab achieves SoTA performance compared to concurrent methods.
• Abstract（参考訳）: 夜間シーンのセマンティックセグメンテーションは、自動運転車のようなインパクトのあるアプリケーションにとって重要な課題である。 しかし、昼間に比べてほとんど注目されていない。 本稿では,複数の夜間セグメンテーション・ベンチマークにおいて,複数の夜間セグメンテーション・モデルに夜間認識機能を組み込んだ新しい夜間セグメンテーション・フレームワークであるNightLabを提案する。 特にNightLabには、画像と地域という2つのレベルの粒度のモデルが含まれており、各レベルは光適応とセグメンテーションモジュールで構成されている。 夜間画像が与えられた場合、画像レベルモデルは初期セグメンテーション推定を提供し、並行して、硬度検出モジュールは、さらなる分析を必要とする領域とその周辺状況を特定する。 地域レベルのモデルでは、これらの困難な地域に焦点を当て、大幅に改善されたセグメンテーションを提供する。 NightLabのすべてのモデルは、手作りのヒューリスティックを使わずに、一連のナイトアウェア損失を使ってエンドツーエンドでトレーニングされている。 NightCityとBDD100Kデータセットに関する大規模な実験は、NightLabが並行メソッドと比較してSoTAのパフォーマンスを達成したことを示している。

関連論文リスト

• Exploring Reliable Matching with Phase Enhancement for Night-time Semantic Segmentation [58.180226179087086]
  夜間セマンティックセマンティックセグメンテーションに適した新しいエンドツーエンド最適化手法であるNightFormerを提案する。 具体的には,画素レベルのテクスチャ・エンハンスメント・モジュールを設計し,フェーズ・エンハンスメントとアンプリメント・アテンションとともに階層的にテクスチャ・アウェア機能を取得する。 提案手法は、最先端の夜間セマンティックセグメンテーション手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-08-25T13:59:31Z)
• RHRSegNet: Relighting High-Resolution Night-Time Semantic Segmentation [0.0]
  夜間セマンティックセグメンテーションはコンピュータビジョンにおいて重要な課題であり、低照度条件下でのオブジェクトの正確な分類とセグメンテーションに焦点を当てている。 セマンティックセグメンテーションのための高分解能ネットワーク上でのリライトモデルを実装したRHRSegNetを提案する。 提案モデルでは、低照度画像や夜間画像においてHRnetセグメンテーション性能を5%向上させる。
  論文  参考訳（メタデータ） (2024-07-08T15:07:09Z)
• Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
  低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。 この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。 我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:50:15Z)
• Disentangled Contrastive Image Translation for Nighttime Surveillance [87.03178320662592]
  夜間監視は、照明の悪さと厳しい人間のアノテーションによる劣化に悩まされる。 既存の手法では、暗黒の物体を知覚するためにマルチスペクトル画像が使われており、解像度の低さと色の不在に悩まされている。 夜間監視の究極の解決策は、夜から昼までの翻訳(Night2Day)である、と私たちは主張する。 本論文は、夜間監視研究を支援する6つのシーンを含む、NightSuRと呼ばれる新しい監視データセットに貢献する。
  論文  参考訳（メタデータ） (2023-07-11T06:40:27Z)
• Boosting Night-time Scene Parsing with Learnable Frequency [53.05778451012621]
  NTSP(Night-Time Scene Parsing)は多くの視覚アプリケーション、特に自律運転に必須である。 既存の手法のほとんどは日中シーン解析のために提案されている。 提案手法は,NightCity,NightCity+およびBDD100K-nightデータセットの最先端手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2022-08-30T13:09:59Z)
• Bi-Mix: Bidirectional Mixing for Domain Adaptive Nighttime Semantic Segmentation [83.97914777313136]
  自律運転では、様々な環境条件に適応できるセグメンテーションモデルを学ぶことが重要である。 本稿では,識別型夜間モデル学習を目的としたDANSS(Domain Adaptive Nighttime Semantic)の問題点について考察する。 本稿では,DANSS のための新しい Bi-Mix フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-19T17:39:47Z)
• DANNet: A One-Stage Domain Adaptation Network for Unsupervised Nighttime Semantic Segmentation [18.43890050736093]
  夜間セマンティックセグメンテーションのための新しいドメイン適応ネットワーク(DANNet)を提案する。 ラベル付きデイタイムデータセットとラベルなしデータセットを備えた敵対的なトレーニングを採用している。 本手法は,夜間セマンティックセグメンテーションにおける最新性能を実現する。
  論文  参考訳（メタデータ） (2021-04-22T02:49:28Z)
• Night-time Scene Parsing with a Large Real Dataset [67.11211537439152]
  我々は,夜間シーン解析(NTSP)の問題に対処することを目指しており,主な課題が2つある。 夜間データの不足に対処するため、実夜間画像4,297枚からなる新しいラベル付きデータセット、NightCityを収集した。 また,NTSP問題に対処するための露出認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-15T18:11:34Z)

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。