論文の概要: A Robust Pedestrian Detection Approach for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2210.10489v1
- Date: Wed, 19 Oct 2022 11:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:09:41.019826
- Title: A Robust Pedestrian Detection Approach for Autonomous Vehicles
- Title(参考訳): 自動運転車のロバスト歩行者検出手法
- Authors: Bahareh Ghari, Ali Tourani, Asadollah Shahbahrami
- Abstract要約: 本稿では,カリフォルニア工科大学の歩行者データセットの実例における歩行者検出問題を処理するためのYOLOv5フレームワークを微調整することを目的とする。
実験結果から,歩行者検出作業における細調整モデルの平均精度(mAP)は,70FPSの最高速度で行う場合,91%以上であることがわかった。
- 参考スコア(独自算出の注目度): 2.0883760606514934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, utilizing Advanced Driver-Assistance Systems (ADAS) has absorbed a
huge interest as a potential solution for reducing road traffic issues. Despite
recent technological advances in such systems, there are still many inquiries
that need to be overcome. For instance, ADAS requires accurate and real-time
detection of pedestrians in various driving scenarios. To solve the mentioned
problem, this paper aims to fine-tune the YOLOv5s framework for handling
pedestrian detection challenges on the real-world instances of Caltech
pedestrian dataset. We also introduce a developed toolbox for preparing
training and test data and annotations of Caltech pedestrian dataset into the
format recognizable by YOLOv5. Experimental results of utilizing our approach
show that the mean Average Precision (mAP) of our fine-tuned model for
pedestrian detection task is more than 91 percent when performing at the
highest rate of 70 FPS. Moreover, the experiments on the Caltech pedestrian
dataset samples have verified that our proposed approach is an effective and
accurate method for pedestrian detection and can outperform other existing
methodologies.
- Abstract(参考訳): 近年,高度運転支援システム (ADAS) の利用は,道路交通問題に対する潜在的な解決策として大きな関心を吸収している。
このようなシステムにおける最近の技術進歩にもかかわらず、いまだに克服すべき疑問が数多く残っている。
例えば、adasは様々な運転シナリオにおける歩行者の正確なリアルタイム検出を必要とする。
上記の問題を解決するため,本稿は,caltech pedestrian datasetの現実世界における歩行者検出課題に対処するために,yolov5sフレームワークを微調整することを目的としている。
YOLOv5で認識可能なフォーマットに、カリフォルニア工科大学歩行者データセットのトレーニングとテストデータ、アノテーションを準備するためのツールボックスも導入する。
提案手法を応用した実験結果から, 歩行者検出作業における細調整モデルの平均精度(mAP)は, 最高速度70FPSで実行した場合の91%以上であることがわかった。
さらに,Caltechの歩行者データセットを用いた実験により,提案手法が歩行者検出の有効かつ正確な方法であり,既存の手法よりも優れていることを確認した。
関連論文リスト
- A lightweight YOLOv5-FFM model for occlusion pedestrian detection [1.62877896907106]
ヨロは、効率的で単純な1段階目標検出法であり、様々な環境における歩行者検出によく用いられる。
本稿では,これらの問題に対処する軽量YOLOv5モデルを提案する。
このモデルは浮動小数点演算(FLOP)の少ない歩行者検出精度を向上させることができる。
論文 参考訳(メタデータ) (2024-08-13T04:42:02Z) - Pedestrian Detection in Low-Light Conditions: A Comprehensive Survey [2.961140343595394]
歩行者検出は、コンピュータビジョン、監視、自動運転など、様々な領域において重要な問題である。
本研究の目的は,低照度環境を対象とする歩行者検出手法,ベースライン,データセットを包括的に調査することである。
論文 参考訳(メタデータ) (2024-01-15T16:13:17Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳(メタデータ) (2023-03-27T15:07:55Z) - Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。
オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。
提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文 参考訳(メタデータ) (2022-09-06T12:01:07Z) - TraCon: A novel dataset for real-time traffic cones detection using deep
learning [7.759841699582662]
本研究では,交通円錐の効率的かつ迅速な検出のための解を見つけるために,YOLOv5アルゴリズムを用いる。
YOLOv5はIoUのスコアを91.31%まで高感度で検出できる。
論文 参考訳(メタデータ) (2022-05-24T06:51:58Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳(メタデータ) (2022-03-15T08:32:56Z) - Pedestrian Detection: Domain Generalization, CNNs, Transformers and
Beyond [82.37430109152383]
その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。
限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。
本稿では、一般化を改善する進歩的な微調整戦略を提案する。
論文 参考訳(メタデータ) (2022-01-10T06:00:26Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳(メタデータ) (2020-12-04T15:10:12Z)
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。