Fugu-MT 論文翻訳(概要): The 1st-place Solution for CVPR 2023 OpenLane Topology in Autonomous Driving Challenge

論文の概要: The 1st-place Solution for CVPR 2023 OpenLane Topology in Autonomous Driving Challenge

arxiv url: http://arxiv.org/abs/2306.09590v1
Date: Fri, 16 Jun 2023 02:33:12 GMT
ステータス: 処理完了
システム内更新日: 2023-06-19 15:17:53.177590
Title: The 1st-place Solution for CVPR 2023 OpenLane Topology in Autonomous Driving Challenge
Title（参考訳）: 自動運転チャレンジにおけるCVPR 2023オープンレーントポロジーの1位ソリューション
Authors: Dongming Wu, Fan Jia, Jiahao Chang, Zhuoling Li, Jianjian Sun, Chunrui Han, Shuailin Li, Yingfei Liu, Zheng Ge, Tiancai Wang
Abstract要約: 自動運転チャレンジにおけるOpenLane Topologyの1位となるソリューションを提示する。トポロジ推論は中心線検出とトラヒック要素検出に基づくので,高性能なマルチステージフレームワークを開発する。
参考スコア（独自算出の注目度）: 9.684012701676327
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present the 1st-place solution of OpenLane Topology in Autonomous Driving Challenge. Considering that topology reasoning is based on centerline detection and traffic element detection, we develop a multi-stage framework for high performance. Specifically, the centerline is detected by the powerful PETRv2 detector and the popular YOLOv8 is employed to detect the traffic elements. Further, we design a simple yet effective MLP-based head for topology prediction. Our method achieves 55\% OLS on the OpenLaneV2 test set, surpassing the 2nd solution by 8 points.
Abstract（参考訳）: 自動運転チャレンジにおけるOpenLane Topologyの1位ソリューションを提案する。トポロジ推論は中心線検出とトラヒック要素検出に基づくので,高性能なマルチステージフレームワークを開発する。具体的には、強力なpetrv2検出器によりセンタラインを検出し、トラフィック要素を検出するために人気のあるyolov8を用いる。さらに、トポロジ予測のための単純で効果的なMLPベースのヘッドを設計する。提案手法は,OpenLaneV2テストセット上で55\% OLSを達成し,第2の解を8ポイント超えた。

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)
First Place Solution to the ECCV 2024 ROAD++ Challenge @ ROAD++ Spatiotemporal Agent Detection 2024 [12.952512012601874]
トラック1のタスクはエージェント検出であり、連続したビデオフレーム内のエージェントのためのエージェント用の「エージェントチューブ」を構築することを目的としている。私たちのソリューションは、超小型オブジェクト、低照度、不均衡、きめ細かい分類など、このタスクにおける課題に焦点を当てています。 ROAD++ Challenge 2024のトラック1のテストセットで最初にランク付けし、平均30.82%の動画mAPを達成した。
論文参考訳（メタデータ） (2024-10-30T14:52:43Z)
ENet-21: An Optimized light CNN Structure for Lane Detection [1.4542411354617986]
本研究では,車線検出問題に対する最適構造について検討する。現代の車両の運転支援機能には有望なソリューションを提供する。 TuSimpleデータセットの実験は提案手法の有効性を支持する。
論文参考訳（メタデータ） (2024-03-28T19:07:26Z)
TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning [51.29906807247014]
トポロジー推論は、道路シーンを理解し、自律運転における乾燥可能なルートを提示することを目的としている。道路の中心線(車線)と交通要素を検出し、そのトポロジの関係、すなわち車線-車線トポロジと車線-交通トポロジを推論する必要がある。トポロジー性能の上限を拡張するために,強力な3次元レーン検出器と改良された2次元交通要素検出器を導入する。
論文参考訳（メタデータ） (2023-10-10T16:24:51Z)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
論文参考訳（メタデータ） (2023-07-07T04:20:07Z)
Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文参考訳（メタデータ） (2021-08-12T12:47:43Z)
Workshop on Autonomous Driving at CVPR 2021: Technical Report for Streaming Perception Challenge [57.647371468876116]
本稿では,現実的な自律運転シナリオのためのリアルタイム2次元物体検出システムについて紹介する。私たちの検出器は、YOLOXと呼ばれる新しい設計のYOLOモデルで構築されています。 Argoverse-HDデータセットでは,検出のみのトラック/トラックで2位を7.8/6.1上回る41.0ストリーミングAPを達成した。
論文参考訳（メタデータ） (2021-07-27T06:36:06Z)
Heatmap-based Vanishing Point boosts Lane Detection [3.8170259685864165]
高速車線検出のためのマルチタスク・フュージョン・ネットワークアーキテクチャを提案する。提案した融合戦略は、公開CULaneデータセットを用いて検証された。実験結果から,本手法の車線検出精度は,最先端(SOTA)法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-07-30T17:17:00Z)
Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。 54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
論文参考訳（メタデータ） (2020-01-01T16:48:42Z)

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。