論文の概要: YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception

• arxiv url: http://arxiv.org/abs/2208.11434v1
• Date: Wed, 24 Aug 2022 11:00:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:53:15.651961
• Title: YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception
• Title（参考訳）: YOLOPv2: より良く、より速く、より強く、パノプティカルな運転知覚
• Authors: Cheng Han, Qichao Zhao, Shuyi Zhang, Yinzi Chen, Zhenlin Zhang, Jinwei Yuan
• Abstract要約: マルチタスク学習アプローチは、単眼駆動認識問題の解法において有望な結果を得た。 本稿では,交通物体検出,ドライビング可能な道路領域分割,車線検出のタスクを同時に行うために,効果的かつ効率的なマルチタスク学習ネットワークを提案する。 我々のモデルは、BDD100Kデータセットの精度とスピードの観点から、新しい最先端(SOTA)パフォーマンスを実現しました。
• 参考スコア（独自算出の注目度）: 1.6683976936678229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the last decade, multi-tasking learning approaches have achieved promising results in solving panoptic driving perception problems, providing both high-precision and high-efficiency performance. It has become a popular paradigm when designing networks for real-time practical autonomous driving system, where computation resources are limited. This paper proposed an effective and efficient multi-task learning network to simultaneously perform the task of traffic object detection, drivable road area segmentation and lane detection. Our model achieved the new state-of-the-art (SOTA) performance in terms of accuracy and speed on the challenging BDD100K dataset. Especially, the inference time is reduced by half compared to the previous SOTA model. Code will be released in the near future.
• Abstract（参考訳）: 過去10年間で、マルチタスク学習のアプローチは、高精度と高効率の両方のパフォーマンスを提供する、単眼駆動認識問題の解決において有望な成果を上げてきた。 計算資源が限られているリアルタイムの実用的な自動運転システムのためにネットワークを設計する際の一般的なパラダイムとなっている。 本稿では,トラヒック物体検出,ドリブル道路領域分割,レーン検出を同時に行うための,効率的かつ効率的なマルチタスク学習ネットワークを提案する。 我々のモデルは、BDD100Kデータセットの精度とスピードの観点から、新しい最先端(SOTA)パフォーマンスを実現しました。 特に、前回のsotaモデルに比べて推論時間を半分に短縮する。 コードは近い将来にリリースされる予定だ。

関連論文リスト

• Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving [1.2749527861829049]
  本稿では,複数の情報モダリティを統合するために,ペナルティに基づく模倣学習手法を提案する。 最新技術(SOTA)モデルであるInterFuserと比較して,運転スコアが12%以上増加していることが観察された。 本モデルでは, 推論速度を7倍に向上し, モデルサイズを約30%削減しながら, この性能向上を実現している。
  論文  参考訳（メタデータ） (2023-03-21T14:29:52Z)
• Visual Exemplar Driven Task-Prompting for Unified Perception in Autonomous Driving [100.3848723827869]
  本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。 具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。 我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
  論文  参考訳（メタデータ） (2023-03-03T08:54:06Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Learning to Transfer for Traffic Forecasting via Multi-task Learning [3.1836399559127218]
  ディープニューラルネットワークは、短期的な交通予測において優れた性能を示している。 Traffic4castは、空間と時間におけるドメインシフトに対するトラフィック予測モデルの堅牢性を想定した最初のサービスである。 交通予測モデルの時間・時間領域適応のためのマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-27T03:16:40Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• Enhance the performance of navigation: A two-stage machine learning approach [13.674463804942837]
  リアルタイム交通ナビゲーションはスマートトランスポート技術において重要な機能である。 本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与えるための2段階の機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-04-02T08:55:27Z)

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。