論文の概要: CANet: Curved Guide Line Network with Adaptive Decoder for Lane Detection

• arxiv url: http://arxiv.org/abs/2304.11546v1
• Date: Sun, 23 Apr 2023 05:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 17:41:00.156767
• Title: CANet: Curved Guide Line Network with Adaptive Decoder for Lane Detection
• Title（参考訳）: CANet: レーン検出のための適応デコーダ付きガイドラインネットワーク
• Authors: Zhongyu Yang, Chen Shen, Wei Shao, Tengfei Xing, Runbo Hu, Pengfei Xu, Hua Chai and Ruini Xue
• Abstract要約: 本稿では,新しいトップダウン深層学習レーン検出手法であるCANETを提案する。 レーンのインスタンスは、U字型の曲線ガイド線上の熱マップによって、大域的な意味レベルで応答される。 次にCANETは条件付き畳み込みによりレーン全体の熱マップ応答を取得し、最後に適応デコーダを介してレーンを記述するために設定された点をデコードする。
• 参考スコア（独自算出の注目度）: 14.25512509311658
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lane detection is challenging due to the complicated on road scenarios and line deformation from different camera perspectives. Lots of solutions were proposed, but can not deal with corner lanes well. To address this problem, this paper proposes a new top-down deep learning lane detection approach, CANET. A lane instance is first responded by the heat-map on the U-shaped curved guide line at global semantic level, thus the corresponding features of each lane are aggregated at the response point. Then CANET obtains the heat-map response of the entire lane through conditional convolution, and finally decodes the point set to describe lanes via adaptive decoder. The experimental results show that CANET reaches SOTA in different metrics. Our code will be released soon.
• Abstract（参考訳）: 道路シナリオの複雑化と異なるカメラ視点からの線変形のため、車線検出は困難である。 多くの解決策が提案されたが、コーナーレーンにうまく対応できない。 この問題に対処するため,本研究では,新しいトップダウンディープラーニングレーン検出手法であるCANETを提案する。 大域的意味レベルでは、U字型曲面ガイド線上の熱マップによりレーンインスタンスを応答させ、各レーンの対応する特徴を応答点に集約する。 次にCANETは条件付き畳み込みによりレーン全体の熱マップ応答を取得し、最後に適応デコーダを介してレーンを記述するために設定された点をデコードする。 実験の結果、CANETは異なるメトリクスでSOTAに達することがわかった。 私たちのコードはまもなくリリースされます。

関連論文リスト

• YOLinO++: Single-Shot Estimation of Generic Polylines for Mapless Automated Diving [6.752932360113276]
  自動走行では、認識をサポートし補完するために非常に正確な地図が一般的に使用される。 本稿では,画像中の1次元構造を検出するために,YOLOのワンショット哲学に従うニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-01T20:10:01Z)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving [60.55208681215818]
  道路構造の完全な表現を得るために,レーンセグメントを生成する最初のエンドツーエンドマッピングネットワークであるLaneSegNetを紹介した。 提案アルゴリズムは2つの重要な修正点を特徴としている。1つは、長距離特徴空間内の重要な領域の詳細をキャプチャするレーンアテンションモジュールである。 OpenLane-V2データセットでは、LaneSegNetは3つのタスクにまたがって大幅に向上している。
  論文  参考訳（メタデータ） (2023-12-26T16:22:10Z)
• HoughLaneNet: Lane Detection with Deep Hough Transform and Dynamic Convolution [8.97991745734826]
  レーンは狭く、断片化され、しばしば交通量が多いために、検出の困難を生じさせる。 画像中のすべての車線特徴をHoughパラメータ空間に組み合わせた階層的Deep Hough Transform (DHT) 手法を提案する。 提案するネットワーク構造は,重閉塞あるいは摩耗された車線画像の検出性能の向上を実証する。
  論文  参考訳（メタデータ） (2023-07-07T10:08:29Z)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
  レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。 新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。 F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
  論文  参考訳（メタデータ） (2022-04-15T05:24:04Z)
• Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
  車線検出は自動運転における中核機能の一つである。 既存のほとんどの手法はCNNベースの手法に頼っている。 本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
  論文  参考訳（メタデータ） (2022-03-08T13:25:35Z)
• RESA: Recurrent Feature-Shift Aggregator for Lane Detection [32.246537653680484]
  通常のCNNを用いた予備的特徴抽出の後,車線特徴量を高めるために,Recurrent Feature-Shift Aggregator (RESA) という新しいモジュールを提案する。 RESAは、スライスされた特徴写像を集約することで、外観の弱い難解なシナリオでレーンを正確に予測することができる。 提案手法は,2つの人気のある車線検出ベンチマーク(CULaneとTusimple)の最先端結果を実現する。
  論文  参考訳（メタデータ） (2020-08-31T16:37:30Z)
• CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending [102.98909328368481]
  CurveLane-NASは、レーンに敏感なアーキテクチャ検索フレームワークである。 長距離コヒーレントと正確な短距離曲線情報の両方をキャプチャする。 点ブレンディングによる曲線線予測において、アーキテクチャ探索と後処理の両方を統一する。
  論文  参考訳（メタデータ） (2020-07-23T17:23:26Z)

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。