論文の概要: CLRerNet: Improving Confidence of Lane Detection with LaneIoU

• arxiv url: http://arxiv.org/abs/2305.08366v1
• Date: Mon, 15 May 2023 05:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 16:01:14.535887
• Title: CLRerNet: Improving Confidence of Lane Detection with LaneIoU
• Title（参考訳）: CLRerNet: LaneIoUによるレーン検出の信頼性向上
• Authors: Hiroto Honda, Yusuke Uchida
• Abstract要約: 我々は,既存の行ベース検出器の予測において,正しい車線位置がすでに存在することを示す。 局所的な車線角を考慮に入れた上で、距離と相関関係が良くなるLaneIoUを提案する。 そこで我々は,LaneIoUを特徴とするCLRerNetという新しい検出器を開発した。
• 参考スコア（独自算出の注目度）: 3.2489082010225485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane marker detection is a crucial component of the autonomous driving and driver assistance systems. Modern deep lane detection methods with row-based lane representation exhibit excellent performance on lane detection benchmarks. Through preliminary oracle experiments, we firstly disentangle the lane representation components to determine the direction of our approach. We show that correct lane positions are already among the predictions of an existing row-based detector, and the confidence scores that accurately represent intersection-over-union (IoU) with ground truths are the most beneficial. Based on the finding, we propose LaneIoU that better correlates with the metric, by taking the local lane angles into consideration. We develop a novel detector coined CLRerNet featuring LaneIoU for the target assignment cost and loss functions aiming at the improved quality of confidence scores. Through careful and fair benchmark including cross validation, we demonstrate that CLRerNet outperforms the state-of-the-art by a large margin - enjoying F1 score of 81.43% compared with 80.47% of the existing method on CULane, and 86.47% compared with 86.10% on CurveLanes.
• Abstract（参考訳）: レーンマーカー検出は、自動運転および運転支援システムの重要な構成要素である。 行ベースレーン表現を用いた最新のディープレーン検出手法は、レーン検出ベンチマークにおいて優れた性能を示す。 事前のoracleの実験を通じて、まず車線表現コンポーネントを分解して、アプローチの方向性を判断します。 我々は,既存の行ベース検出器の予測において,正しい車線位置がすでに存在することを示し,地上の真理との交叉点(IoU)を正確に表す信頼スコアが最も有用であることを示した。 この結果に基づき,局所的レーン角を考慮に入れて,メートル法とよりよく相関するレーンiouを提案する。 信頼性スコアの質向上を目的とした目標割り当てコストと損失関数に laneiou を特徴とするclrernet という新しい検出器を開発した。 クロス検証を含む慎重で公平なベンチマークによって、clrernetは最先端技術よりも大きなマージンで勝っていることを実証した。f1スコアは81.43%で、culaneでは80.47%で、curvelaneでは86.10%で86.47%であった。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Sparse Laneformer [14.198478706372995]
  スパースアンカー機構に基づく変圧器を用いた車線検出フレームワークを提案する。 我々は、従来の明示的なアンカーの代わりに、位置対応レーンクエリとアングルクエリを備えたスパースアンカーを生成する。 提案手法はSparse Laneformerと呼ばれ,実装が容易でエンドツーエンドのトレーニングが可能である。
  論文  参考訳（メタデータ） (2024-04-11T15:00:55Z)
• 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)
• CLRmatchNet: Enhancing Curved Lane Detection with Deep Matching Process [0.6144680854063939]
  レーン検出は、安全なナビゲーションを確保するために重要なデータを提供することによって、自動運転において重要な役割を果たす。 現代のアルゴリズムはアンカーベースの検出器に依存しており、ラベル割り当てプロセスによってトレーニング検出を正または負のインスタンスに分類する。 我々の研究は、ラベル割り当てプロセスを改善することを目的とした、ディープラーニングサブモジュールベースのアプローチであるMatchNetを紹介した。
  論文  参考訳（メタデータ） (2023-09-26T19:05:18Z)
• 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)
• 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)
• Towards Driving-Oriented Metric for Lane Detection Models [19.81163190104571]
  我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。 提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
  論文  参考訳（メタデータ） (2022-03-31T07:24:44Z)
• RONELDv2: A faster, improved lane tracking method [1.3965477771846408]
  車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。 本稿では,改良された軽量車線検出手法 RONELDv2を提案する。 提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
  論文  参考訳（メタデータ） (2022-02-26T13:12:09Z)
• RONELD: Robust Neural Network Output Enhancement for Active Lane Detection [1.3965477771846408]
  最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。 アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。 RONELDの精度は最大2倍に向上した。
  論文  参考訳（メタデータ） (2020-10-19T14:22:47Z)
• 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。