論文の概要: Dense Hybrid Proposal Modulation for Lane Detection

• arxiv url: http://arxiv.org/abs/2304.14874v1
• Date: Fri, 28 Apr 2023 14:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 13:50:42.063385
• Title: Dense Hybrid Proposal Modulation for Lane Detection
• Title（参考訳）: 線検出のためのDense Hybrid ProposalModulation
• Authors: Yuejian Wu, Linqing Zhao, Jiwen Lu, Haibin Yan
• Abstract要約: レーン検出のための高密度ハイブリッド提案変調(DHPM)法を提案する。 我々は、トポロジカルかつ空間的に高品質なレーン予測を生成するために、全ての提案を密に調整する。 我々のDHPMは4つの人気のあるデータセットで非常に競争力のあるパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 72.49084826234363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a dense hybrid proposal modulation (DHPM) method for lane detection. Most existing methods perform sparse supervision on a subset of high-scoring proposals, while other proposals fail to obtain effective shape and location guidance, resulting in poor overall quality. To address this, we densely modulate all proposals to generate topologically and spatially high-quality lane predictions with discriminative representations. Specifically, we first ensure that lane proposals are physically meaningful by applying single-lane shape and location constraints. Benefitting from the proposed proposal-to-label matching algorithm, we assign each proposal a target ground truth lane to efficiently learn from spatial layout priors. To enhance the generalization and model the inter-proposal relations, we diversify the shape difference of proposals matching the same ground-truth lane. In addition to the shape and location constraints, we design a quality-aware classification loss to adaptively supervise each positive proposal so that the discriminative power can be further boosted. Our DHPM achieves very competitive performances on four popular benchmark datasets. Moreover, we consistently outperform the baseline model on most metrics without introducing new parameters and reducing inference speed.
• Abstract（参考訳）: 本稿では,車線検出のための高密度ハイブリッド提案変調(DHPM)法を提案する。 既存の手法の多くは、ハイスコアな提案のサブセットをスパースに監督するが、他の提案では効果的な形状と位置案内が得られず、結果として全体的な品質が低下する。 これを解決するために, 位相的, 空間的に高品質なレーン予測を識別表現で生成するために, 全ての提案を厳密に調整した。 具体的には、単車線形状と位置制約を適用することにより、車線提案が物理的に有意であることを保証する。 提案手法の利点を生かして,各提案に対して,空間的レイアウトから効率的に学習する対象の基底真理レーンを割り当てる。 一般化の促進とプロソザル間関係のモデル化を目的として,同じ接地路に一致する提案の形状差を多様化する。 形状と位置の制約に加えて,各肯定的提案を適応的に監督し,識別力をさらに向上させることができる品質認識型分類損失を設計する。 我々のDHPMは4つの人気のあるベンチマークデータセットで非常に競争力のあるパフォーマンスを実現しています。 さらに、新しいパラメータを導入せず、推論速度を下げることなく、ほとんどのメトリクスのベースラインモデルより一貫して優れています。

関連論文リスト

• Improving Point-based Crowd Counting and Localization Based on Auxiliary Point Guidance [59.71186244597394]
  本稿では,提案手法における提案対象マッチングの安定化に有効な手法を提案する。 本稿では,提案手法の選択と最適化のために,Auxiliary Point Guidance (APG)を提案する。 また,多様な群集シナリオにおける適応的特徴抽出を可能にするために,IFI(Implicit Feature Interpolation)を開発した。
  論文  参考訳（メタデータ） (2024-05-17T07:23:27Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Revisiting Proposal-based Object Detection [59.97295544455179]
  提案手法により画像中の物体を検出するパイプラインを再検討する。 我々は提案と根拠的真理の交わりの領域に回帰する単純な問題を解決する。 私たちの再検討されたアプローチは、検出パイプラインの変更を最小限にして、既存のメソッドにプラグインすることができます。
  論文  参考訳（メタデータ） (2023-11-30T12:40:23Z)
• Smoothing the Edges: Smooth Optimization for Sparse Regularization using Hadamard Overparametrization [10.009748368458409]
  本稿では、(構造化された)空間性に対して、明示的に正規化された目的を円滑に最適化するためのフレームワークを提案する。 提案手法は,完全微分可能近似自由最適化を実現し,深層学習におけるユビキタス勾配降下パラダイムと互換性がある。
  論文  参考訳（メタデータ） (2023-07-07T13:06:12Z)
• Contrastive Proposal Extension with LSTM Network for Weakly Supervised Object Detection [52.86681130880647]
  画像レベルのラベルしか使用せず、膨大なアノテーションコストを節約できるため、WSOD (Weakly supervised Object Detection) が注目されている。 本稿では,初期提案と拡張提案を比較して,初期提案を最適化する手法を提案する。 PASCAL VOC 2007 と VOC 2012 と MS-COCO のデータセットを用いた実験により,本手法は最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-14T16:31:57Z)
• Adaptive Proposal Generation Network for Temporal Sentence Localization in Videos [58.83440885457272]
  ビデオ(TSLV)における時間文ローカライゼーションの問題に対処する。 従来のメソッドは、事前に定義されたセグメントの提案でターゲットセグメントをローカライズするトップダウンフレームワークに従っている。 本稿では,効率を向上しつつセグメントレベルの相互作用を維持するための適応提案生成ネットワーク(APGN)を提案する。
  論文  参考訳（メタデータ） (2021-09-14T02:02:36Z)
• LSB: Local Self-Balancing MCMC in Discrete Spaces [2.385916960125935]
  本研究は、純粋に離散的な領域におけるサンプリング効率を向上させるために、機械学習を用いて提案された分布をターゲットに適応させることを検討する。 得られたサンプルをLSB(Locally Self-Balancing Sampler)と呼ぶ。
  論文  参考訳（メタデータ） (2021-09-08T18:31:26Z)
• Distributed Adaptive Nearest Neighbor Classifier: Algorithm and Theory [6.696267547013535]
  そこで本研究では,データ駆動基準によりパラメータ選択された,近接する隣人の数がパラメータとなる分散適応型NN分類器を提案する。 有限標本性能を向上する最適チューニングパラメータを探索する際,早期停止規則を提案する。 特に、サブサンプルサイズが十分に大きい場合、提案した分類器がほぼ最適な収束率を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-20T14:38:41Z)
• Correlation filter tracking with adaptive proposal selection for accurate scale estimation [29.212854268141704]
  本稿では,少数の高品質な提案を生成できる適応型提案選択アルゴリズムを提案する。 2つのベンチマークデータセットの実験では、提案アルゴリズムがいくつかの最先端トラッカーに対して好適に動作することを示した。
  論文  参考訳（メタデータ） (2020-07-14T13:16:52Z)

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。