論文の概要: GLARE: A Dataset for Traffic Sign Detection in Sun Glare

• arxiv url: http://arxiv.org/abs/2209.08716v2
• Date: Wed, 13 Dec 2023 06:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 21:30:11.229630
• Title: GLARE: A Dataset for Traffic Sign Detection in Sun Glare
• Title（参考訳）: GLARE:Sun Glareにおける交通信号検出用データセット
• Authors: Nicholas Gray, Megan Moraes, Jiang Bian, Alex Wang, Allen Tian, Kurt Wilson, Yan Huang, Haoyi Xiong, Zhishan Guo
• Abstract要約: GLARE(英: GLARE)は、日光による激しい視覚的干渉の下で、アメリカ合衆国に本拠を置く交通標識を収録した画像集である。 広く使用されているLISA Traffic Signデータセットに不可欠な拡張を提供する。 現在のアーキテクチャは、サングラアのパフォーマンスにおいて、交通標識の画像に基づいて訓練された場合、より良い検出ができる。
• 参考スコア（独自算出の注目度）: 28.692414823901313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time machine learning object detection algorithms are often found within autonomous vehicle technology and depend on quality datasets. It is essential that these algorithms work correctly in everyday conditions as well as under strong sun glare. Reports indicate glare is one of the two most prominent environment-related reasons for crashes. However, existing datasets, such as the Laboratory for Intelligent & Safe Automobiles Traffic Sign (LISA) Dataset and the German Traffic Sign Recognition Benchmark, do not reflect the existence of sun glare at all. This paper presents the GLARE (GLARE is available at: https://github.com/NicholasCG/GLARE_Dataset ) traffic sign dataset: a collection of images with U.S-based traffic signs under heavy visual interference by sunlight. GLARE contains 2,157 images of traffic signs with sun glare, pulled from 33 videos of dashcam footage of roads in the United States. It provides an essential enrichment to the widely used LISA Traffic Sign dataset. Our experimental study shows that although several state-of-the-art baseline architectures have demonstrated good performance on traffic sign detection in conditions without sun glare in the past, they performed poorly when tested against GLARE (e.g., average mAP0.5:0.95 of 19.4). We also notice that current architectures have better detection when trained on images of traffic signs in sun glare performance (e.g., average mAP0.5:0.95 of 39.6), and perform best when trained on a mixture of conditions (e.g., average mAP0.5:0.95 of 42.3).
• Abstract（参考訳）: リアルタイム機械学習オブジェクト検出アルゴリズムは、自動運転車技術の中によく見られ、品質データセットに依存する。 これらのアルゴリズムは、日光の下でも日常的にも正しく機能することが不可欠である。 事故の最も顕著な理由は2つあると報告されている。 しかしながら、Intelligent & Safe Automobiles Traffic Sign (LISA) Dataset や German Traffic Sign Recognition Benchmark といった既存のデータセットは、太陽フレアの存在を反映していない。 本稿では、GLARE (GLARE is available at: https://github.com/NicholasCG/GLARE_Dataset ) Traffic sign data: a collection of image with U.S.-based traffic sign under heavy visual interference by sun。 GLAREには、アメリカの道路のダッシュカム映像を33本撮影した2,157枚が写っている。 広く使用されているLISA Traffic Signデータセットに不可欠な拡張を提供する。 実験により, 過去の日照のない条件下では, いくつかの最先端のベースラインアーキテクチャが交通標識検出に優れた性能を示したが, GLARE(平均mAP0.5:0.95, 19.4)に対して試験すると, 性能が低かった。 また、現在のアーキテクチャでは、太陽グレア性能の交通標識の画像(例:平均mAP0.5:0.95 39.6)で訓練された場合には、より優れた検出が可能であり、混合条件(例:平均mAP0.5:0.95 39.3)で訓練された場合には、最高の性能を発揮する。

関連論文リスト

• TLD: A Vehicle Tail Light signal Dataset and Benchmark [11.892883491115656]
  このデータセットは、152kのラベル付き画像フレームを2Hzの速度でサンプリングし、150万のラベルなしのフレームを全周に散らばっている。 我々は,車両検知器とテールライト分類器の2つの主要モジュールからなる2段階の車両光検出モデルを開発した。 提案手法は,車両のテールライト検出のためのベンチマークを構築し,データセット上での異常な性能を示す。
  論文  参考訳（メタデータ） (2024-09-04T08:08:21Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban Neighborhood [2.4087090457198435]
  プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でYOLOv5モデルをトレーニングし、適切なハードウェアプラットフォームにモデルをデプロイすることである。 本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
  論文  参考訳（メタデータ） (2023-10-14T17:52:28Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object Detection [58.81316192862618]
  自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。 これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。 我々は、最先端の核融合法を初めてベンチマークした。
  論文  参考訳（メタデータ） (2022-05-30T09:35:37Z)
• Towards Real-time Traffic Sign and Traffic Light Detection on Embedded Systems [0.6143225301480709]
  本稿では,交通標識や交通信号検出に固有の課題に対処する,シンプルなディープラーニングに基づくエンドツーエンド検出フレームワークを提案する。 システム全体では毎秒63フレームの高速な推論速度を実現し,リアルタイムに実行可能であることを示す。 CeyRoは、スリランカにおける最初の大規模交通標識と交通信号検出データセットである。
  論文  参考訳（メタデータ） (2022-05-05T03:46:19Z)
• METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous Driving [42.69638782267657]
  本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。 METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。 我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
  論文  参考訳（メタデータ） (2021-09-16T01:01:55Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving [48.588254700810474]
  本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。 その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
  論文  参考訳（メタデータ） (2020-09-14T12:31:20Z)
• DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
  本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。 このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。 このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
  論文  参考訳（メタデータ） (2020-08-12T15:48:49Z)

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。