論文の概要: Detection of Active Emergency Vehicles using Per-Frame CNNs and Output Smoothing

• arxiv url: http://arxiv.org/abs/2212.13696v1
• Date: Wed, 28 Dec 2022 04:45:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 15:37:36.797635
• Title: Detection of Active Emergency Vehicles using Per-Frame CNNs and Output Smoothing
• Title（参考訳）: フレーム毎CNNと出力平滑化を用いたアクティブ緊急車両の検出
• Authors: Meng Fan, Craig Bidstrup, Zhaoen Su, Jason Owens, Gary Yang, Nemanja Djuric
• Abstract要約: 一般的なアクター状態(位置や速度など)を推定することは、自動運転車に搭載された知覚システムの重要かつよく探索されたタスクである。 特に、アクティブな緊急車両(EV)では、完全なコンテキストを提供するために光ベースの信号も取得する必要がある。 本稿では,フレームレベルで動作している市販のCNNモデルと,点滅するEVライトの時間的側面を考慮した下流スムーズなモデルを用いて,アクティブEVの検出のシーケンシャルな手法を提案する。
• 参考スコア（独自算出の注目度）: 4.917229375785646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While inferring common actor states (such as position or velocity) is an important and well-explored task of the perception system aboard a self-driving vehicle (SDV), it may not always provide sufficient information to the SDV. This is especially true in the case of active emergency vehicles (EVs), where light-based signals also need to be captured to provide a full context. We consider this problem and propose a sequential methodology for the detection of active EVs, using an off-the-shelf CNN model operating at a frame level and a downstream smoother that accounts for the temporal aspect of flashing EV lights. We also explore model improvements through data augmentation and training with additional hard samples.
• Abstract（参考訳）: 一般的なアクター状態(位置や速度など)を推定することは、自動運転車(SDV)に搭載された知覚システムの重要かつよく探索されたタスクであるが、SDVに十分な情報を提供するとは限らない。 これは特にアクティブ緊急車両(evs)の場合、完全なコンテキストを提供するために光ベースの信号もキャプチャする必要がある場合に当てはまる。 本稿では,フレームレベルで動作している市販のCNNモデルと,点滅するEVライトの時間的側面を考慮した下流スムーズなモデルを用いて,アクティブEV検出のシーケンシャル手法を提案する。 さらに、データ拡張とトレーニングによるモデルの改善についても検討しています。

関連論文リスト

• V-CAS: A Realtime Vehicle Anti Collision System Using Vision Transformer on Multi-Camera Streams [0.0]
  本稿では,リアルタイム衝突回避システム(V-CAS)を提案する。 V-CASは適応ブレーキによるリアルタイム衝突リスク評価と能動的緩和を可能にする。 その結果,従来の単カメラ法と比較して物体検出と追跡の大幅な改善,衝突回避の強化が示唆された。
  論文  参考訳（メタデータ） (2024-11-04T10:39:15Z)
• CRASH: Crash Recognition and Anticipation System Harnessing with Context-Aware and Temporal Focus Attentions [13.981748780317329]
  カメラ映像から周囲の交通機関の事故を正確にかつ迅速に予測することは、自動運転車(AV)の安全性に不可欠である 本研究は, CRASH と呼ばれる, AV の新たな事故予測フレームワークを提案する。 オブジェクト検出、特徴抽出、オブジェクト認識モジュール、コンテキスト認識モジュール、多層融合の5つのコンポーネントをシームレスに統合する。 私たちのモデルは、平均精度(AP)や平均到達時間(mTTA)といった重要な評価指標において、既存のトップベースラインを超えています。
  論文  参考訳（メタデータ） (2024-07-25T04:12:49Z)
• Hard Cases Detection in Motion Prediction by Vision-Language Foundation Models [16.452638202694246]
  本研究は、自動運転におけるハードケースの検出におけるビジョン・ランゲージ・ファンデーション・モデル(VLM)の可能性を探るものである。 設計したプロンプトで逐次画像フレームを供給し,課題のあるエージェントやシナリオを効果的に識別する,実現可能なパイプラインを提案する。 NuScenesデータセット上で、パイプラインを最先端の手法に組み込むことの有効性と可能性を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:35:41Z)
• 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)
• Deep Learning Overloaded Vehicle Identification for Long Span Bridges Based on Structural Health Monitoring Data [3.331125445667599]
  過負荷車両識別のためのBWIM (bridge weigh-in-motion)法が普及している。 深層学習に基づく過負荷車両識別手法(DOVI)を提案する。 簡易支持梁と長尺ケーブルステイドブリッジを用いてランダムな交通流下でモデル評価を行った。
  論文  参考訳（メタデータ） (2023-09-04T13:24:54Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• WiP Abstract : Robust Out-of-distribution Motion Detection and Localization in Autonomous CPS [3.464656011246703]
  ディープラーニングのための堅牢なアウト・オブ・ディストリビューション(OOD)検出フレームワークを提案する。 提案手法は,従来の光学フロー操作と表現学習を組み合わせることで,リアルタイムに動画の駆動から異常な動きを検出する。 運転シミュレーションデータセットの評価は,本手法が関連する研究よりも統計的に頑健であることを示している。
  論文  参考訳（メタデータ） (2021-07-25T06:20:05Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。