論文の概要: HazardNet: Road Debris Detection by Augmentation of Synthetic Models

• arxiv url: http://arxiv.org/abs/2303.07547v1
• Date: Tue, 14 Mar 2023 00:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 16:53:30.296696
• Title: HazardNet: Road Debris Detection by Augmentation of Synthetic Models
• Title（参考訳）: HazardNet: 合成モデルの強化による道路デブリ検出
• Authors: Tae Eun Choe, Jane Wu, Xiaolin Lin, Karen Kwon, Minwoo Park
• Abstract要約: そこで本研究では,少数の合成モデルを用いて未確認の道路破片を検出するアルゴリズムを提案する。 我々は、問題領域を道路上の一般的でないオブジェクトに制限し、深いニューラルネットワークであるHazardNetが道路の破片の意味を学べるようにします。
• 参考スコア（独自算出の注目度）: 1.1750701213830141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an algorithm to detect unseen road debris using a small set of synthetic models. Early detection of road debris is critical for safe autonomous or assisted driving, yet the development of a robust road debris detection model has not been widely discussed. There are two main challenges to building a road debris detector: first, data collection of road debris is challenging since hazardous objects on the road are rare to encounter in real driving scenarios; second, the variability of road debris is broad, ranging from a very small brick to a large fallen tree. To overcome these challenges, we propose a novel approach to few-shot learning of road debris that uses semantic augmentation and domain randomization to augment real road images with synthetic models. We constrain the problem domain to uncommon objects on the road and allow the deep neural network, HazardNet, to learn the semantic meaning of road debris to eventually detect unseen road debris. Our results demonstrate that HazardNet is able to accurately detect real road debris when only trained on synthetic objects in augmented images.
• Abstract（参考訳）: 少数の合成モデルを用いて未確認の道路破片を検出するアルゴリズムを提案する。 道路破片の早期検出は、安全運転や補助運転において重要であるが、ロバストな道路破片検出モデルの開発は広く議論されていない。 第1に、道路上の危険物が実際の運転シナリオでは遭遇することが稀であるため、道路破片の収集は困難であり、第2に、道路破片の変動性は、非常に小さなレンガから大きな倒木まで幅広い。 これらの課題を克服するために,意味的拡張と領域ランダム化を用いて,実道路画像を合成モデルで拡張する,少数の道路破片の学習手法を提案する。 我々は、問題領域を道路上の一般的でないオブジェクトに制限し、深いニューラルネットワークであるHazardNetが道路の破片の意味を学習して最終的に見えない道路の破片を検出することを可能にする。 以上の結果から,HazardNetは画像の合成対象に対してのみ,実際の道路破片を正確に検出できることがわかった。

関連論文リスト

• Cut-and-Paste with Precision: a Content and Perspective-aware Data Augmentation for Road Damage Detection [5.939858158928473]
  道路の損傷は、道路インフラの完全性、安全性、耐久性に重大な課題をもたらす可能性がある。 近年、道路監視アプリケーションにおいて、画像に基づく損傷検出のための様々なデータ駆動手法が研究されている。 本稿では、コンテンツ認識(すなわち、画像中の道路の真の位置を考える)と視点認識(すなわち、注入された損傷と対象画像との視点の差を考慮する)の両面から改善されたカット・アンド・ペースト増強手法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T09:06:42Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• 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)
• Spatio-Temporal Context Modeling for Road Obstacle Detection [12.464149169670735]
  トレーニングデータのレイアウトを用いて、駆動シーンのデータ駆動コンテキスト時間モデルを構築する。 障害物は最先端のオブジェクト検出アルゴリズムによって検出され、結果は生成されたシーンと組み合わせられる。
  論文  参考訳（メタデータ） (2023-01-19T07:06:35Z)
• A Pre-study on Data Processing Pipelines for Roadside Object Detection Systems Towards Safer Road Infrastructure [1.9967512860886603]
  単車事故はスウェーデンで最も一般的な事故である。 本研究では,道路側オブジェクト検出のためのデータ処理パイプラインの実現可能性,実装,制限,スケールアップについて検討する。 本報告の目的は、安全な道路インフラとスウェーデンのビジョンゼロに向けたスケーラブルな道路側物体検出システムの実装方法を検討することである。
  論文  参考訳（メタデータ） (2022-04-17T16:27:26Z)
• VAE-iForest: Auto-encoding Reconstruction and Isolation-based Anomalies Detecting Fallen Objects on Road Surface [0.0]
  道路監視においては,早期に道路表面の変化を検知し,第三者の被害を防止することが重要である。 自動エンコード再構成と分離型異常検出を併用する手法の試作を行った。
  論文  参考訳（メタデータ） (2022-03-02T15:47:36Z)
• A Computer Vision-assisted Approach to Automated Real-Time Road Infrastructure Management [0.0]
  そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。 IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
  論文  参考訳（メタデータ） (2022-02-27T04:08:00Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)
• Photon-Driven Neural Path Guiding [102.12596782286607]
  本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。 我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
  論文  参考訳（メタデータ） (2020-10-05T04:54:01Z)

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。