論文の概要: Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task

• arxiv url: http://arxiv.org/abs/2212.09438v1
• Date: Mon, 19 Dec 2022 13:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 17:52:19.693235
• Title: Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task
• Title（参考訳）: 補助ステアリングタスクによる道路領域意味セグメンテーションの活用
• Authors: Jyri Maanp\"a\"a, Iaroslav Melekhov, Josef Taher, Petri Manninen and Juha Hyypp\"a
• Abstract要約: ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。 本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robustness of different pattern recognition methods is one of the key challenges in autonomous driving, especially when driving in the high variety of road environments and weather conditions, such as gravel roads and snowfall. Although one can collect data from these adverse conditions using cars equipped with sensors, it is quite tedious to annotate the data for training. In this work, we address this limitation and propose a CNN-based method that can leverage the steering wheel angle information to improve the road area semantic segmentation. As the steering wheel angle data can be easily acquired with the associated images, one could improve the accuracy of road area semantic segmentation by collecting data in new road environments without manual data annotation. We demonstrate the effectiveness of the proposed approach on two challenging data sets for autonomous driving and show that when the steering task is used in our segmentation model training, it leads to a 0.1-2.9% gain in the road area mIoU (mean Intersection over Union) compared to the corresponding reference transfer learning model.
• Abstract（参考訳）: 異なるパターン認識手法の堅牢性は、特に砂利道や降雪など、多種多様な道路環境や気象条件で運転する場合において、自動運転における重要な課題の1つである。 センサーを装備した車を使って、これらの有害な状況からデータを収集することは可能だが、トレーニングのためにデータに注釈をつけるのは極めて面倒だ。 本研究では,この制限に対処し,操舵輪角情報を利用して道路領域の意味セグメンテーションを改善するcnnベースの手法を提案する。 ステアリングホイールアングルデータを関連画像で容易に取得できるため、手動データアノテーションなしで新たな道路環境におけるデータ収集により、道路領域意味セグメンテーションの精度を向上させることができる。 提案手法が自律運転のための2つの挑戦的データセットに対して有効であることを示すとともに, セグメンテーションモデルトレーニングでステアリングタスクを使用すると, 対応する参照移動学習モデルと比較して, 道路面積mIoUが0.1-2.9%向上することを示す。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• 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)
• A Deeply Supervised Semantic Segmentation Method Based on GAN [9.441379867578332]
  提案モデルは,GAN(Generative Adversarial Network)フレームワークを従来のセマンティックセグメンテーションモデルに統合する。 本手法の有効性は,道路ひび割れデータセットの性能向上によって実証された。
  論文  参考訳（メタデータ） (2023-10-06T08:22:24Z)
• R2S100K: Road-Region Segmentation Dataset For Semi-Supervised Autonomous Driving in the Wild [11.149480965148015]
  ロードリージョンデータセット(ロードリージョンデータセット、R2S100K)は、道路セグメンテーションのトレーニングと評価のための大規模データセットおよびベンチマークである。 R2S100Kは、1000KM以上の道路を網羅する大規模で多様なビデオシーケンスから抽出された100K画像からなる。 ラベルのないデータを活用することで学習を改善するための,EDSに基づく効率的なデータサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-11T21:31:37Z)
• Automatic Extraction of Relevant Road Infrastructure using Connected vehicle data and Deep Learning Model [4.235459779667272]
  本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。 道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。 実験の結果,97%のF1スコア,90%のF1スコアに到達した。
  論文  参考訳（メタデータ） (2023-08-10T15:57:47Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep Generative Approach with Attention [9.442285577226606]
  交差点における相互作用検出のための条件生成モデルを提案する。 道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。 モデルの有効性は実世界のデータセットでテストすることによって検証された。
  論文  参考訳（メタデータ） (2021-05-09T10:03:55Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• 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)
• Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs [26.110522390201094]
  我々は,乾燥地や道路異常のセグメンテーションラベルを自動生成するパイプラインを開発した。 提案する自動ラベリングパイプラインは,手動ラベリングと比較して,目覚ましいスピードアップを実現している。 提案する自己教師型アプローチは,最先端の従来のアルゴリズムよりも堅牢で正確な結果を示す。
  論文  参考訳（メタデータ） (2020-07-12T10:12:46Z)

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。