論文の概要: Hardware Acceleration of Lane Detection Algorithm: A GPU Versus FPGA Comparison

• arxiv url: http://arxiv.org/abs/2212.09460v1
• Date: Mon, 19 Dec 2022 13:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 18:44:27.196465
• Title: Hardware Acceleration of Lane Detection Algorithm: A GPU Versus FPGA Comparison
• Title（参考訳）: レーン検出アルゴリズムのハードウェア高速化:GPU対FPGA比較
• Authors: Mohamed Alshemi, Sherif Saif and Mohamed Taher
• Abstract要約: 完全コンピュータビジョンシステムは、検出と分類の2つの主要なカテゴリに分けられる。 レーン検出アルゴリズムはコンピュータビジョン検出カテゴリの一部であり、自律運転システムやスマート自動車システムに応用されている。 我々は、FPGAとGPUの両方で得られた最先端の実装性能を比較し、レイテンシ、消費電力、利用のトレードオフを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Complete Computer vision system can be divided into two main categories: detection and classification. The Lane detection algorithm is a part of the computer vision detection category and has been applied in autonomous driving and smart vehicle systems. The lane detection system is responsible for lane marking in a complex road environment. At the same time, lane detection plays a crucial role in the warning system for a car when departs the lane. The implemented lane detection algorithm is mainly divided into two steps: edge detection and line detection. In this paper, we will compare the state-of-the-art implementation performance obtained with both FPGA and GPU to evaluate the trade-off for latency, power consumption, and utilization. Our comparison emphasises the advantages and disadvantages of the two systems.
• Abstract（参考訳）: 完全コンピュータビジョンシステムは、検出と分類の2つの主要なカテゴリに分けられる。 レーン検出アルゴリズムはコンピュータビジョン検出カテゴリの一部であり、自律運転システムやスマート自動車システムに応用されている。 レーン検出システムは、複雑な道路環境におけるレーンマーキングを担っている。 同時に、車線を出発する際、車両の警告システムにおいて車線検出が重要な役割を果たす。 実装された車線検出アルゴリズムは主にエッジ検出とライン検出の2段階に分けられる。 本稿では、FPGAとGPUの両方で得られた最先端の実装性能を比較し、レイテンシ、消費電力、利用のトレードオフを評価する。 比較では,両システムの長所と短所を強調する。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
  我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。 次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。 その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
  ドライバーの気晴らしが道路事故の主要な原因であることが知られている。 State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。 本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-17T21:22:41Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
  本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。 提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。 提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
  論文  参考訳（メタデータ） (2022-08-12T19:07:20Z)
• Preprocessing Methods of Lane Detection and Tracking for Autonomous Driving [0.0]
  リアルタイムレーン検出とトラッキング(LDT)は、上記のタスクを実行するための最も結果的な部分の1つです。 本稿では,車線標識検出のための前処理手法と,車線境界をリアルタイムで追跡するシステムについて検討する。
  論文  参考訳（メタデータ） (2021-04-10T13:03:52Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• 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)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

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。