論文の概要: Repainting and Imitating Learning for Lane Detection

• arxiv url: http://arxiv.org/abs/2210.05097v1
• Date: Tue, 11 Oct 2022 02:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:03:15.098873
• Title: Repainting and Imitating Learning for Lane Detection
• Title（参考訳）: レーン検出のための再描画と模倣学習
• Authors: Yue He, Minyue Jiang, Xiaoqing Ye, Liang Du, Zhikang Zou, Wei Zhang, Xiao Tan and Errui Ding
• Abstract要約: 現行の車線検出手法は、重い影による視認性車線問題に苦慮している。 本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。 提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
• 参考スコア（独自算出の注目度）: 52.5220065495956
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Current lane detection methods are struggling with the invisibility lane issue caused by heavy shadows, severe road mark degradation, and serious vehicle occlusion. As a result, discriminative lane features can be barely learned by the network despite elaborate designs due to the inherent invisibility of lanes in the wild. In this paper, we target at finding an enhanced feature space where the lane features are distinctive while maintaining a similar distribution of lanes in the wild. To achieve this, we propose a novel Repainting and Imitating Learning (RIL) framework containing a pair of teacher and student without any extra data or extra laborious labeling. Specifically, in the repainting step, an enhanced ideal virtual lane dataset is built in which only the lane regions are repainted while non-lane regions are kept unchanged, maintaining the similar distribution of lanes in the wild. The teacher model learns enhanced discriminative representation based on the virtual data and serves as the guidance for a student model to imitate. In the imitating learning step, through the scale-fusing distillation module, the student network is encouraged to generate features that mimic the teacher model both on the same scale and cross scales. Furthermore, the coupled adversarial module builds the bridge to connect not only teacher and student models but also virtual and real data, adjusting the imitating learning process dynamically. Note that our method introduces no extra time cost during inference and can be plug-and-play in various cutting-edge lane detection networks. Experimental results prove the effectiveness of the RIL framework both on CULane and TuSimple for four modern lane detection methods. The code and model will be available soon.
• Abstract（参考訳）: 現在の車線検出手法は、大きなシャドウ、道路標識の深刻な劣化、重篤な車両の閉塞などによる可視性車線問題に苦しめられている。 結果として、野生の車線に固有の視認性のため、精巧な設計にもかかわらず、差別的な車線の特徴はネットワークによってほとんど学べない。 本稿では,野生におけるレーンの分布を維持しつつ,レーンの特徴を特徴とする拡張特徴空間の探索を目標とした。 そこで本研究では,教師と生徒のペアを含む新しいrepainting and imitating learning(ril)フレームワークを提案する。 具体的には、再塗装工程において、理想的な仮想レーンデータセットを構築し、非レーン領域を変更せずにレーン領域のみを再塗装し、野生において同様のレーン分布を維持する。 教師モデルは、仮想データに基づいて識別表現の強化を学習し、学生モデルが模倣するためのガイダンスとして機能する。 模擬学習段階において, 学生ネットワークは, スケールFusing蒸留モジュールを通じて, 同じスケールとクロススケールの両方で, 教師モデルを模倣する特徴を生み出すことを奨励する。 さらに,教師と生徒のモデルだけでなく,仮想データと実データも接続するブリッジを構築し,模倣学習プロセスを動的に調整する。 提案手法は,推定に要する余分な時間コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。 実験により,lilフレームワークがculaneとtusimpleの両方において,現代的な4つのレーン検出手法の有効性が実証された。 コードとモデルは間もなく利用可能になる。

関連論文リスト

• Premonition: Using Generative Models to Preempt Future Data Changes in Continual Learning [63.850451635362425]
  継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。 本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。 トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
  論文  参考訳（メタデータ） (2024-03-12T06:29:54Z)
• 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)
• Contrastive Learning for Lane Detection via cross-similarity [0.5249805590164902]
  道路シーンのレーンマークは、その複雑な性質が好ましくない条件に影響を受けやすいため、課題となる。 実世界のシナリオにおいて、車線検出モデルのレジリエンスを高めるために、CLLD(cross-similarity)による車線検出のためのコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2023-08-16T09:16:05Z)
• DriveAdapter: Breaking the Coupling Barrier of Perception and Planning in End-to-End Autonomous Driving [64.57963116462757]
  最先端の手法は通常、教師-学生のパラダイムに従う。 学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。 本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
  論文  参考訳（メタデータ） (2023-08-01T09:21:53Z)
• LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
  本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T16:09:53Z)
• Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
  本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。 フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。 結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-05T04:34:51Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Lane Detection Model Based on Spatio-Temporal Network With Double Convolutional Gated Recurrent Units [11.968518335236787]
  レーン検出は今後しばらくは未解決の問題として残るだろう。 二重円錐 Gated Recurrent Units (ConvGRUs) を用いた時空間ネットワークは、困難なシーンにおける車線検出に対処することを提案した。 我々のモデルは最先端の車線検出モデルより優れている。
  論文  参考訳（メタデータ） (2020-08-10T06:50:48Z)
• Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。