論文の概要: Unstructured Road Segmentation using Hypercolumn based Random Forests of Local experts

• arxiv url: http://arxiv.org/abs/2207.11523v1
• Date: Sat, 23 Jul 2022 13:56:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:29:29.745220
• Title: Unstructured Road Segmentation using Hypercolumn based Random Forests of Local experts
• Title（参考訳）: ハイパーカラムに基づく地域専門家のランダムフォレストを用いた非構造道路セグメンテーション
• Authors: Prassanna Ganesh Ravishankar, Antonio M. Lopez and Gemma M. Sanchez
• Abstract要約: 本稿では,スーパーピクセルをベースとしたマシン学習機能を持つ地元専門家のランダムな森林を用いて道路を検知・分断する手法を提案する。 ランダムフォレストは、事前訓練された畳み込みニューラルネットワーク(VGG-16)から学習した記述子を取り込む。 我々は,Nueral Networkベースの手法と従来手法との比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular vision based road detection methods are mostly based on machine learning methods, relying on classification and feature extraction accuracy, and suffer from appearance, illumination and weather changes. Traditional methods introduce the predictions into conditional random fields or markov random fields models to improve the intermediate predictions based on structure. These methods are optimization based and therefore resource heavy and slow, making it unsuitable for real time applications. We propose a method to detect and segment roads with a random forest classifier of local experts with superpixel based machine-learned features. The random forest takes in machine learnt descriptors from a pre-trained convolutional neural network - VGG-16. The features are also pooled into their respective superpixels, allowing for local structure to be continuous. We compare our algorithm against Nueral Network based methods and Traditional approaches (based on Hand-crafted features), on both Structured Road (CamVid and Kitti) and Unstructured Road Datasets. Finally, we introduce a Road Scene Dataset with 1000 annotated images, and verify that our algorithm works well in non-urban and rural road scenarios.
• Abstract（参考訳）: モノキュラービジョンに基づく道路検出法は、主に機械学習に基づいており、分類と特徴抽出の精度に依存しており、外観、照明、天候変化に苦しむ。 従来の手法では、構造に基づく中間予測を改善するために、条件付きランダムフィールドやマルコフランダムフィールドモデルに予測を導入する。 これらのメソッドは最適化ベースであり、リソースが重く遅いため、リアルタイムアプリケーションには適さない。 スーパーピクセルをベースとしたマシン学習機能を持つ地域専門家のランダム森林分類器を用いて道路を検知・分割する手法を提案する。 ランダムフォレストは、事前訓練された畳み込みニューラルネットワークvgg-16から機械学習記述子を取り込む。 これらの機能はそれぞれのスーパーピクセルにプールされ、ローカルな構造が連続する。 我々は,Nueral Networkベースの手法と従来手法(手作り機能に基づく)を,構造化道路(CamVidとKitti)と非構造化道路データセットの両方で比較した。 最後に,1000点の注釈付き画像を用いた道路シーンデータセットを導入し,そのアルゴリズムが非都市・農村の道路シナリオで有効であることを検証した。

関連論文リスト

• Probabilistic road classification in historical maps using synthetic data and deep learning [3.3755652248305004]
  深層学習と地理情報,コンピュータによる絵画,画像処理手法を融合した新しいフレームワークを提案する。 この枠組みは,道路地形のみを用いた歴史地図からの道路の抽出と分類を可能にする。 道路クラス2では, それぞれ94%以上, 92%以上であった。
  論文  参考訳（メタデータ） (2024-10-03T06:43:09Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• A Novel Hand Gesture Detection and Recognition system based on ensemble-based Convolutional Neural Network [3.5665681694253903]
  コンピュータビジョンとパターン認識コミュニティでは,手の部分検出が課題となっている。 畳み込みニューラルネットワーク(CNN)アーキテクチャのようなディープラーニングアルゴリズムは、分類タスクにおいて非常に一般的な選択肢となっている。 本稿では,CNNに基づくアプローチのアンサンブルを用いて,予測時の高分散や過度な問題,予測誤差などの問題を克服する。
  論文  参考訳（メタデータ） (2022-02-25T06:46:58Z)
• LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks [17.586486249721265]
  LUNARは、各ノードの最も近い隣人から、トレーニング可能な方法で情報を使用して異常を見つけることを学ぶ。 提案手法は,既存の局所的外れ値法や最先端の深層ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-10T06:50:32Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)
• A cellular automata approach to local patterns for texture recognition [3.42658286826597]
  本稿では, セルオートマトンによる複雑な物体の表現力と, テクスチャ解析における局所記述子の既知の有効性を組み合わせたテクスチャ記述法を提案する。 我々の提案は、特に現実世界の問題において、他の古典的、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-07-15T03:25:51Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)
• Neural Random Forest Imitation [24.02961053662835]
  我々は、ランダムな森林からトレーニングデータを生成し、その振る舞いを模倣するニューラルネットワークを学習することで、模倣学習アプローチを導入する。 この暗黙的な変換は、ランダムな森林の決定境界を学習する非常に効率的なニューラルネットワークを生成する。 いくつかの実世界のベンチマークデータセットの実験は、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2019-11-25T11:04:30Z)

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。