論文の概要: RCLane: Relay Chain Prediction for Lane Detection

• arxiv url: http://arxiv.org/abs/2207.09399v1
• Date: Tue, 19 Jul 2022 16:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 14:07:53.812468
• Title: RCLane: Relay Chain Prediction for Lane Detection
• Title（参考訳）: RCLane: レーン検出のためのリレーチェイン予測
• Authors: Shenghua Xu, Xinyue Cai, Bin Zhao, Li Zhang, Hang Xu, Yanwei Fu, Xiangyang Xue
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.62424079494285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane detection is an important component of many real-world autonomous systems. Despite a wide variety of lane detection approaches have been proposed, reporting steady benchmark improvements over time, lane detection remains a largely unsolved problem. This is because most of the existing lane detection methods either treat the lane detection as a dense prediction or a detection task, few of them consider the unique topologies (Y-shape, Fork-shape, nearly horizontal lane) of the lane markers, which leads to sub-optimal solution. In this paper, we present a new method for lane detection based on relay chain prediction. Specifically, our model predicts a segmentation map to classify the foreground and background region. For each pixel point in the foreground region, we go through the forward branch and backward branch to recover the whole lane. Each branch decodes a transfer map and a distance map to produce the direction moving to the next point, and how many steps to progressively predict a relay station (next point). As such, our model is able to capture the keypoints along the lanes. Despite its simplicity, our strategy allows us to establish new state-of-the-art on four major benchmarks including TuSimple, CULane, CurveLanes and LLAMAS.
• Abstract（参考訳）: レーン検出は多くの現実世界の自律システムの重要な構成要素である。 様々なレーン検出手法が提案され、時間とともに安定したベンチマークの改善が報告されているが、レーン検出は未解決の問題のままである。 これは、既存のレーン検出手法のほとんどがレーン検出を密集した予測または検出タスクとして扱うためであり、レーンマーカーのユニークなトポロジー(y字型、フォーク形、ほぼ水平線)を考慮し、サブ最適解をもたらすものはほとんどない。 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。 具体的には,前景と背景領域を分類するためのセグメンテーションマップをモデル化する。 前景領域の各画素点について、前方の分岐点と後方の分岐点を通り、レーン全体を回復する。 各ブランチは転送マップと距離マップをデコードし、次のポイントに移動する方向と、リレーステーション(次のポイント)を段階的に予測するステップ数を生成する。 そのため、私たちのモデルは車線に沿ってキーポイントをキャプチャすることができます。 その単純さにもかかわらず、我々の戦略はTuSimple、CULane、CurveLanes、LLAMASの4つの主要なベンチマークで新しい最先端のベンチマークを確立することができる。

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、ディープラーニングに基づく単眼車線検出手法が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)
• 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)
• BSNet: Lane Detection via Draw B-spline Curves Nearby [21.40607319558899]
  曲線に基づく車線検出手法を,車線表現のグローバル性と局所性の観点から再検討する。 我々は,グローバルな特徴とローカルな特徴の獲得を確実にするために,シンプルで効率的なネットワークBSNetを設計する。 提案手法は,Tusimple,CULane,LLAMASデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-01-17T14:25:40Z)
• 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)
• A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
  レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。 新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。 F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
  論文  参考訳（メタデータ） (2022-04-15T05:24:04Z)
• 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)

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。