論文の概要: SHLE: Devices Tracking and Depth Filtering for Stereo-based Height Limit
Estimation
- arxiv url: http://arxiv.org/abs/2212.11538v1
- Date: Thu, 22 Dec 2022 08:27:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:45:07.686556
- Title: SHLE: Devices Tracking and Depth Filtering for Stereo-based Height Limit
Estimation
- Title(参考訳): SHLE:ステレオベースハイト限界推定のためのデバイス追跡と深さフィルタリング
- Authors: Zhaoxin Fan, Kaixing Yang, Min Zhang, Zhenbo Song, Hongyan Liu, and
Jun He
- Abstract要約: 高度限界推定のための新しいステレオベースパイプラインSHLEを提案する。
ステージ1では、高度制限装置を正確に検出する新しいデバイス検出追跡方式が導入された。
ステージ2では、深さを時間的に測定し、抽出し、フィルタして高さ制限装置を算出する。
- 参考スコア(独自算出の注目度): 11.763317440098273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, over-height vehicle strike frequently occurs, causing great
economic cost and serious safety problems. Hence, an alert system which can
accurately discover any possible height limiting devices in advance is
necessary to be employed in modern large or medium sized cars, such as touring
cars. Detecting and estimating the height limiting devices act as the key point
of a successful height limit alert system. Though there are some works research
height limit estimation, existing methods are either too computational
expensive or not accurate enough. In this paper, we propose a novel
stereo-based pipeline named SHLE for height limit estimation. Our SHLE pipeline
consists of two stages. In stage 1, a novel devices detection and tracking
scheme is introduced, which accurately locate the height limit devices in the
left or right image. Then, in stage 2, the depth is temporally measured,
extracted and filtered to calculate the height limit device. To benchmark the
height limit estimation task, we build a large-scale dataset named "Disparity
Height", where stereo images, pre-computed disparities and ground-truth height
limit annotations are provided. We conducted extensive experiments on
"Disparity Height" and the results show that SHLE achieves an average error
below than 10cm though the car is 70m away from the devices. Our method also
outperforms all compared baselines and achieves state-of-the-art performance.
Code is available at https://github.com/Yang-Kaixing/SHLE.
- Abstract(参考訳): 近年、過度の車両攻撃が頻繁に発生し、経済的コストと深刻な安全問題を引き起こしている。
したがって, ツーリング車などの近代的な大型車や中型車において, 事前に想定される高度制限装置を正確に検出できる警報システムが必要である。
高さ制限装置の検出と推定は、高度制限警報システムの成功の鍵ポイントとして機能する。
研究の上限推定はいくつかあるが、既存の手法は計算コストが高すぎるか、正確ではないかのどちらかである。
本稿では,高さ限界推定のためのステレオベースパイプラインであるshleを提案する。
SHLEパイプラインは2つのステージで構成されています。
ステージ1では、左右画像中の高さ制限装置を正確に検出する新しい装置検出追跡方式が導入された。
そして、ステージ2では、深さを時間的に測定して抽出し、フィルタして高さ制限装置を算出する。
ハイト限界推定タスクをベンチマークするために,ステレオ画像,事前計算されたディパリティ,地中トルースハイト制限アノテーションなどの大規模データセット"Disparity Height"を構築した。
その結果、車体から70m離れているにもかかわらず、shleの平均誤差は10cm未満であることが判明した。
また, 比較基準を上回り, 最先端性能を実現する。
コードはhttps://github.com/Yang-Kaixing/SHLEで入手できる。
関連論文リスト
- Mean Height Aided Post-Processing for Pedestrian Detection [9.654938705603312]
本稿では,歩行者データセットの視点効果を例として捉え,ポストプロセッシングにおける平均高さ支援抑制法を提案する。
提案手法は実装が容易で,プラグアンドプレイである。
平均身長が特定の検出器で抑制されたことの組み合わせは、カルテックとシティパーソンズのデータセットで最先端の歩行者検出器を上回っている。
論文 参考訳(メタデータ) (2024-08-24T18:20:47Z) - Enhanced Radar Perception via Multi-Task Learning: Towards Refined Data for Sensor Fusion Applications [6.237187007098249]
本研究は,3次元物体に関連付けられたレーダー点の高さを推定するための学習に基づくアプローチを導入する。
平均レーダー絶対高さ誤差は最先端高度法と比較して1.69mから0.25mに減少する。
論文 参考訳(メタデータ) (2024-04-09T09:42:18Z) - CoBEV: Elevating Roadside 3D Object Detection with Depth and Height Complementarity [34.025530326420146]
我々は、新しいエンドツーエンドのモノクロ3Dオブジェクト検出フレームワークであるComplementary-BEVを開発した。
道路カメラを用いたDAIR-V2X-IとRope3Dの公開3次元検出ベンチマークについて広範な実験を行った。
カメラモデルのAPスコアが初めてDAIR-V2X-Iで80%に達する。
論文 参考訳(メタデータ) (2023-10-04T13:38:53Z) - HGDNet: A Height-Hierarchy Guided Dual-Decoder Network for Single View
Building Extraction and Height Estimation [13.09940764764909]
建物の高さを推定するために,高階層型デュアルデコーダネットワーク(HGDNet)を提案する。
合成された高さ階層nDSMの指導の下で、補助的な高さ階層的建築物抽出枝は高さ推定枝を強化する。
より正確な建物抽出を実現するために、追加の2段階のカスケードアーキテクチャが採用されている。
論文 参考訳(メタデータ) (2023-08-10T07:03:32Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳(メタデータ) (2021-12-03T18:59:59Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳(メタデータ) (2021-08-27T03:07:55Z) - MP3: A Unified Model to Map, Perceive, Predict and Plan [84.07678019017644]
MP3は、入力が生のセンサーデータと高レベルのコマンドであるマップレス運転に対するエンドツーエンドのアプローチである。
提案手法は, より安全で, 快適であり, 長期クローズループシミュレーションにおいて, ベースラインよりもコマンドを追従できることを示す。
論文 参考訳(メタデータ) (2021-01-18T00:09:30Z) - Robust Long-Term Object Tracking via Improved Discriminative Model
Prediction [77.72450371348016]
本稿では,事前学習した短期トラッカーをベースとした,堅牢な長期追跡のための識別モデル予測手法を提案する。
提案手法は,最先端の長期トラッカーに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-08-11T14:31:11Z) - Toward Hierarchical Self-Supervised Monocular Absolute Depth Estimation
for Autonomous Driving Applications [12.931635568843381]
現在の手法はいまだに不正確な物体レベルの深さ推定と不確実なスケールファクターに悩まされている。
DNetを導入して,これら2つの問題を解決することを提案する。
筆者らの貢献は2つある:a) 自律走行シナリオに特化して、より優れたオブジェクトレベルの深度推定を提供するために、新しい密結合予測層を提案し、b) 自律走行に要する厳密な幾何的制約(DGC)を導入し、自動運転車に余分なコストをかけずに正確なスケール係数を復元できるようにした。
論文 参考訳(メタデータ) (2020-04-12T07:57:03Z) - Depth Sensing Beyond LiDAR Range [84.19507822574568]
小型の視野カメラを用いた3カメラシステムを提案する。
我々のシステムは、計量深度を計算するための新しいアルゴリズムとともに、完全な事前校正を必要としない。
遠距離のシーンや物体に対して、事実上許容できる精度で密集した深度マップを出力することができる。
論文 参考訳(メタデータ) (2020-04-07T00:09:51Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳(メタデータ) (2020-02-28T00:24:18Z)
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。