論文の概要: Improving Road Segmentation in Challenging Domains Using Similar Place Priors

• arxiv url: http://arxiv.org/abs/2205.14112v1
• Date: Fri, 27 May 2022 17:22:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 14:53:49.965772
• Title: Improving Road Segmentation in Challenging Domains Using Similar Place Priors
• Title（参考訳）: 類似した場所に先立つ領域における道路セグメンテーションの改善
• Authors: Connor Malone, Sourav Garg, Ming Xu, Thierry Peynot and Michael Milford
• Abstract要約: 夜間、雪、雨などの挑戦的な領域での道路分割は難しい作業である。 現在のアプローチでは、微調整、ドメイン適応、スタイル転送を使用してパフォーマンスが向上している。 視覚的場所認識(VPR)は、類似しているが地理的に異なる場所を見つける。
• 参考スコア（独自算出の注目度）: 25.883291494709688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road segmentation in challenging domains, such as night, snow or rain, is a difficult task. Most current approaches boost performance using fine-tuning, domain adaptation, style transfer, or by referencing previously acquired imagery. These approaches share one or more of three significant limitations: a reliance on large amounts of annotated training data that can be costly to obtain, both anticipation of and training data from the type of environmental conditions expected at inference time, and/or imagery captured from a previous visit to the location. In this research, we remove these restrictions by improving road segmentation based on similar places. We use Visual Place Recognition (VPR) to find similar but geographically distinct places, and fuse segmentations for query images and these similar place priors using a Bayesian approach and novel segmentation quality metric. Ablation studies show the need to re-evaluate notions of VPR utility for this task. We demonstrate the system achieving state-of-the-art road segmentation performance across multiple challenging condition scenarios including night time and snow, without requiring any prior training or previous access to the same geographical locations. Furthermore, we show that this method is network agnostic, improves multiple baseline techniques and is competitive against methods specialised for road prediction.
• Abstract（参考訳）: 夜間、雪、雨などの挑戦的な領域での道路分割は難しい作業である。 現在のアプローチのほとんどは、微調整、ドメイン適応、スタイル転送、あるいは以前取得したイメージを参照することでパフォーマンスを高める。 これらのアプローチは、3つの重要な制限の1つを共有している: 大量の注釈付きトレーニングデータに依存しており、推測時に予想される環境条件の種類からのデータの予測と訓練の両方、前回の訪問から取得した画像の取得に費用がかかる。 本研究では,これらの制約を,類似点に基づく道路分割の改善により除去する。 視覚的な位置認識 (vpr) を用いて類似するが地理的に異なる場所を見つけ出し, ベイズ的手法と新しいセグメンテーション品質指標を用いて, クエリ画像や類似箇所に対してヒューズセグメンテーションを行う。 アブレーション研究は、この課題に対するVPRユーティリティの概念の再評価の必要性を示している。 本研究では,夜間や雪などの難易度の高い複数のシナリオにおいて,事前の訓練や地理的な場所への事前アクセスを必要とせず,最先端の道路セグメンテーション性能を実現するシステムを示す。 さらに,本手法はネットワークに依存しず,複数のベースライン技術を改善し,道路予測に特化した手法と競合することを示す。

関連論文リスト

• Physically Feasible Semantic Segmentation [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 本手法は,空間的クラス関係を規定する明示的な物理的制約を抽出する。 PhyFeaは、使用する最先端ネットワーク毎にmIoUが大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Frequency Enhanced Pre-training for Cross-city Few-shot Traffic Forecasting [7.4525875528900665]
  都市間数発の予測という概念が現実的なアプローチとして現れている。 FEPCrossは事前訓練段階と微調整段階を有する。 実世界の交通データセット上で実施された実証的な評価は、FEPCrossの異常な有効性を検証する。
  論文  参考訳（メタデータ） (2024-06-03T08:42:00Z)
• Adapt Before Comparison: A New Perspective on Cross-Domain Few-Shot Segmentation [0.0]
  クロスドメイン小ショットセグメンテーション (CD-FSS) が登場した。 テスト時間タスク適応がCD-FSSの成功の鍵であることを示す。 テスト時にラベル付きサンプル以外の画像は使用しないが,CD-FSSでは新たな最先端性能を実現している。
  論文  参考訳（メタデータ） (2024-02-27T15:43:53Z)
• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Leveraging Topology for Domain Adaptive Road Segmentation in Satellite and Aerial Imagery [9.23555285827483]
  道路分割アルゴリズムは、新しい地理的位置への一般化に失敗する。 道路骨格は、トポロジカルな制約を課す補助的なタスクである。 自己学習のために、接続性に基づく擬似ラベル改善戦略を用いて、ノイズの多い擬似ラベルをフィルタリングする。
  論文  参考訳（メタデータ） (2023-09-27T12:50:51Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Standardized Max Logits: A Simple yet Effective Approach for Identifying Unexpected Road Obstacles in Urban-Scene Segmentation [18.666365568765098]
  本稿では,各予測クラスにおける最大ロジットの相対的意味を反映し,各分布を整列させるため,最大ロジットを標準化する,単純かつ効果的なアプローチを提案する。 提案手法は,一般公開されているFishyscapes Lost & Foundのリーダーボード上での最先端のパフォーマンスを高いマージンで達成する。
  論文  参考訳（メタデータ） (2021-07-23T14:25:02Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• We Learn Better Road Pothole Detection: from Attention Aggregation to Adversarial Domain Adaptation [22.076261078410752]
  道路の穴検出結果は、個々の経験に完全に依存するため、常に主観的である。 最近導入された不均質(逆深度)変換アルゴリズムは、損傷された道路と損傷を受けていない道路の識別をより良くする。 本稿では,異なる種類のアテンションモジュールの利点を生かした新しいアテンションアグリゲーション(AA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-16T05:17:42Z)

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。