Fugu-MT 論文翻訳(概要): Edge Device Deployment of Multi-Tasking Network for Self-Driving Operations

論文の概要: Edge Device Deployment of Multi-Tasking Network for Self-Driving Operations

arxiv url: http://arxiv.org/abs/2210.04735v1
Date: Mon, 10 Oct 2022 14:44:02 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 18:14:31.408376
Title: Edge Device Deployment of Multi-Tasking Network for Self-Driving Operations
Title（参考訳）: 自動運転運転のためのマルチタスクネットワークのエッジデバイス展開
Authors: Shokhrukh Miraliev, Shakhboz Abdigapporov, Jumabek Alikhanov, Vijay Kakani, Hakil Kim
Abstract要約: 本稿では,自動運転車の組込みシステムにおける3つの重要なタスクの展開を提案する。この研究目的を達成するために、単純なエンコーダデコーダアーキテクチャを用いてマルチタスクネットワークを利用する。
参考スコア（独自算出の注目度）: 0.6299766708197883
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A safe and robust autonomous driving system relies on accurate perception of the environment for application-oriented scenarios. This paper proposes deployment of the three most crucial tasks (i.e., object detection, drivable area segmentation and lane detection tasks) on embedded system for self-driving operations. To achieve this research objective, multi-tasking network is utilized with a simple encoder-decoder architecture. Comprehensive and extensive comparisons for two models based on different backbone networks are performed. All training experiments are performed on server while Nvidia Jetson Xavier NX is chosen as deployment device.
Abstract（参考訳）: 安全で堅牢な自動運転システムは、アプリケーション指向シナリオの環境の正確な認識に依存している。本稿では,3つの重要なタスク(オブジェクト検出,ドライビング可能な領域分割,レーン検出タスク)を組み込みシステムに展開することを提案する。この研究目的を達成するために、単純なエンコーダデコーダアーキテクチャを用いてマルチタスクネットワークを利用する。異なるバックボーンネットワークに基づく2つのモデルの包括的かつ広範な比較を行う。すべてのトレーニング実験はサーバ上で行われ、Nvidia Jetson Xavier NXはデプロイメントデバイスとして選択される。

関連論文リスト

A Point-Based Approach to Efficient LiDAR Multi-Task Perception [49.91741677556553]
PAttFormerは、ポイントクラウドにおける共同セマンティックセグメンテーションとオブジェクト検出のための効率的なマルチタスクアーキテクチャである。他のLiDARベースのマルチタスクアーキテクチャとは異なり、提案したPAttFormerはタスク固有のポイントクラウド表現のために別の機能エンコーダを必要としない。マルチタスク学習では,mIouでは+1.7%,mAPでは3Dオブジェクト検出では+1.7%,LiDARセマンティックセマンティックセグメンテーションは+1.7%向上した。
論文参考訳（メタデータ） (2024-04-19T11:24:34Z)
Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data [12.96486891333286]
レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
論文参考訳（メタデータ） (2023-11-13T11:29:38Z)
LiDAR-BEVMTN: Real-Time LiDAR Bird's-Eye View Multi-Task Perception Network for Autonomous Driving [12.713417063678335]
本稿では,LiDARに基づくオブジェクト検出,意味論,動作セグメンテーションのためのリアルタイムマルチタスク畳み込みニューラルネットワークを提案する。オブジェクト検出を選択的に改善するためのセマンティック・ウェイト・アンド・ガイダンス(SWAG)モジュールを提案する。我々は,2つのタスク,セマンティックとモーションセグメンテーション,および3Dオブジェクト検出のための最先端性能に近い2つのタスクに対して,最先端の結果を得る。
論文参考訳（メタデータ） (2023-07-17T21:22:17Z)
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)
Multitask Network for Joint Object Detection, Semantic Segmentation and Human Pose Estimation in Vehicle Occupancy Monitoring [0.0]
マルチタスク検出, ニューラルポーズと推定ネットワーク(DSPM) 我々は,マルチタスク検出,ニューラル・ポーズ・アンド・アセスメント・ネットワーク(DSPM)を提案する。私たちのアーキテクチャは、単純なエンドツーエンドのトレーニングで、3つのタスクの柔軟な組み合わせを可能にします。本研究では,公開データセットSVIROとTiCaMの総合評価を行い,優れた性能を示す。
論文参考訳（メタデータ） (2022-05-03T14:11:18Z)
A Simple and Efficient Multi-task Network for 3D Object Detection and Road Understanding [20.878931360708343]
シンプルで効率的なマルチタスクネットワークを通じて、すべての知覚タスクを実行できることを示します。提案するネットワークであるLidarMTLは、生のLiDAR点雲を入力とし、3次元物体検出と道路理解のための6つの知覚出力を予測する。
論文参考訳（メタデータ） (2021-03-06T08:00:26Z)
Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文参考訳（メタデータ） (2020-12-26T19:41:15Z)
Multi-modal Experts Network for Autonomous Driving [16.587968446342995]
センサデータからエンドツーエンドの学習は、自動運転の有望な結果を示している。このようなネットワークをトレーニングし、デプロイすることは困難であり、考慮された環境では少なくとも2つの問題に直面している。本稿では,新しいマルチモーダル・エキスパート・ネットワーク・アーキテクチャを提案し,マルチステージ・トレーニング手法を提案する。
論文参考訳（メタデータ） (2020-09-18T14:54:54Z)
Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文参考訳（メタデータ） (2020-08-21T20:36:21Z)
Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
論文参考訳（メタデータ） (2020-06-15T07:09:01Z)
SideInfNet: A Deep Neural Network for Semi-Automatic Semantic Segmentation with Side Information [83.03179580646324]
本稿では,新たなディープニューラルネットワークアーキテクチャであるSideInfNetを提案する。画像から学習した機能とユーザアノテーションから抽出したサイド情報を統合する。提案手法を評価するために,提案したネットワークを3つのセマンティックセグメンテーションタスクに適用し,ベンチマークデータセットに対する広範な実験を行った。
論文参考訳（メタデータ） (2020-02-07T06:10:54Z)

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。