論文の概要: Robust Traffic Light Detection Using Salience-Sensitive Loss: Computational Framework and Evaluations

• arxiv url: http://arxiv.org/abs/2305.04516v1
• Date: Mon, 8 May 2023 07:22:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 15:16:36.471591
• Title: Robust Traffic Light Detection Using Salience-Sensitive Loss: Computational Framework and Evaluations
• Title（参考訳）: サリエンス感度損失を用いたロバスト信号検出:計算フレームワークと評価
• Authors: Ross Greer, Akshay Gopalkrishnan, Jacob Landgren, Lulua Rakla, Anish Gopalan, Mohan Trivedi
• Abstract要約: 本稿では,運転者の将来の判断に影響を及ぼす信号として,信号機の定義に焦点をあてた交通信号検出モデルを提案する。 次に、このサリエンス特性を用いて、注釈付きサリエンス特性を持つ米国初のトラヒックライトデータセットであるLAVA Salient Lightsデータセットを構築する。 本研究では,Salience-Sensitive Focal Lossを用いたDeformable DETRオブジェクト検出トランスモデルを訓練し,サリアント信号の高機能化を図る。
• 参考スコア（独自算出の注目度）: 0.3061098887924466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the most important tasks for ensuring safe autonomous driving systems is accurately detecting road traffic lights and accurately determining how they impact the driver's actions. In various real-world driving situations, a scene may have numerous traffic lights with varying levels of relevance to the driver, and thus, distinguishing and detecting the lights that are relevant to the driver and influence the driver's actions is a critical safety task. This paper proposes a traffic light detection model which focuses on this task by first defining salient lights as the lights that affect the driver's future decisions. We then use this salience property to construct the LAVA Salient Lights Dataset, the first US traffic light dataset with an annotated salience property. Subsequently, we train a Deformable DETR object detection transformer model using Salience-Sensitive Focal Loss to emphasize stronger performance on salient traffic lights, showing that a model trained with this loss function has stronger recall than one trained without.
• Abstract（参考訳）: 安全な自動運転システムを確保するための最も重要な課題の1つは、道路交通信号機を正確に検出し、運転者の行動にどう影響するかを正確に決定することである。 様々な実世界の運転状況において、シーンはドライバーと様々なレベルの関連性を持つ多数の信号機を持っているため、運転者に関連する信号の識別と検出と運転者の行動に影響を及ぼすことは重要な安全課題である。 本稿では,この課題に焦点を絞った交通信号検出モデルを提案する。 次に、このサリエンス特性を用いて、注釈付きサリエンス特性を持つ米国最初のトラフィックライトデータセットであるLAVA Salient Lights Datasetを構築します。 次に,Salience-Sensitive Focal Lossを用いたDeformable DETRオブジェクト検出トランスフォーマモデルをトレーニングし,この損失関数でトレーニングしたモデルがトレーニングされていないモデルよりも強いリコールを持つことを示す。

関連論文リスト

• Towards Infusing Auxiliary Knowledge for Distracted Driver Detection [11.816566371802802]
  引き離された運転は世界中の道路事故の主要な原因である。 シーン内のエンティティ間の意味的関係とドライバのポーズの構造的構成に関する補助的知識を注入することで,運転者検出(DDD)の新たな手法であるKiD3を提案する。 具体的には、シーングラフを統合した統合フレームワークを構築し、ドライバが映像フレーム内の視覚的手がかりと情報を合成し、ドライバの行動の全体像を作成する。
  論文  参考訳（メタデータ） (2024-08-29T15:28:42Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• 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)
• Robust Detection, Association, and Localization of Vehicle Lights: A Context-Based Cascaded CNN Approach and Evaluations [0.0]
  本稿では、上流車両検出と可視光中心の近似を付与した車両光の検出方法を提案する。 地上の真理角からの平均距離誤差は4.77ピクセルであり、車両の光の約16.33%である。 我々は,このモデルをパイプラインに統合して,完全形状の車両光検出ネットワークを構築することを提案する。
  論文  参考訳（メタデータ） (2023-07-27T01:20:47Z)
• Patterns of Vehicle Lights: Addressing Complexities in Curation and Annotation of Camera-Based Vehicle Light Datasets and Metrics [0.0]
  本稿では、コンピュータビジョンにおける車両光の表現とその自律運転分野における様々なタスクへの応用について考察する。 車両の光検出から恩恵を受けることができる自動運転における3つの重要なタスクが特定される。 データ駆動モデルのトレーニングのための大規模なデータセットの収集と注釈付けの課題にも対処する。
  論文  参考訳（メタデータ） (2023-07-26T21:48:14Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• 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)
• Salient Sign Detection In Safe Autonomous Driving: AI Which Reasons Over Full Visual Context [2.799896314754614]
  運転シーンにおける様々な交通標識は、運転者の判断に不平等な影響を及ぼす。 そこで我々は,有能な標識の性能を重視した交通信号検出モデルを構築した。 本研究では,Salience-Sensitive Focal Lossで訓練したモデルが,無訓練で訓練したモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-14T01:47:09Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。