論文の概要: Separated RoadTopoFormer

• arxiv url: http://arxiv.org/abs/2307.01557v1
• Date: Tue, 4 Jul 2023 08:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 17:48:19.636906
• Title: Separated RoadTopoFormer
• Title（参考訳）: 分離道路トーポフォーマー
• Authors: Mingjie Lu, Yuanxian Huang, Ji Liu, Jinzhang Peng, Lu Tian, Ashish Sirasao
• Abstract要約: 分離されたRoadTopoFormerは、レーン中心線とトラフィック要素を推論関係で検出するエンドツーエンドフレームワークである。 最終提出は0.445 OLSで、これはサブタスクと組み合わせたスコアの両方で競い合っています。
• 参考スコア（独自算出の注目度）: 13.304343390479191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding driving scenarios is crucial to realizing autonomous driving. Previous works such as map learning and BEV lane detection neglect the connection relationship between lane instances, and traffic elements detection tasks usually neglect the relationship with lane lines. To address these issues, the task is presented which includes 4 sub-tasks, the detection of traffic elements, the detection of lane centerlines, reasoning connection relationships among lanes, and reasoning assignment relationships between lanes and traffic elements. We present Separated RoadTopoFormer to tackle the issues, which is an end-to-end framework that detects lane centerline and traffic elements with reasoning relationships among them. We optimize each module separately to prevent interaction with each other and aggregate them together with few finetunes. For two detection heads, we adopted a DETR-like architecture to detect objects, and for the relationship head, we concat two instance features from front detectors and feed them to the classifier to obtain relationship probability. Our final submission achieves 0.445 OLS, which is competitive in both sub-task and combined scores.
• Abstract（参考訳）: 自動運転を実現するためには、運転シナリオを理解することが不可欠だ。 マップ学習やbevレーン検出といった以前の仕事は、レーンインスタンス間の接続関係を無視し、トラフィック要素検出タスクは通常、レーンラインとの関係を無視する。 これらの課題に対処するため、4つのサブタスク、交通要素の検出、車線中心線の検出、車線間の接続関係の推論、車線と交通要素の割り当て関係の推論を含むタスクを提示する。 本稿では,車線中心線と交通要素を識別し,それらの関係を推論するエンドツーエンドフレームワークであるroadtopoformerを提案する。 各モジュールを別々に最適化することで、互いにインタラクションを防止し、小さな微調整でそれらを集約します。 2つの検出ヘッドではオブジェクトを検出するためにdetrライクなアーキテクチャを採用し、関係ヘッドでは、フロント検出器から2つのインスタンス特徴を取り込み、それらを分類器に供給して関係確率を得る。 最終提出は0.445 OLSで、これはサブタスクと組み合わせたスコアの両方で競合します。

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)
• 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)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep Generative Approach with Attention [9.442285577226606]
  交差点における相互作用検出のための条件生成モデルを提案する。 道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。 モデルの有効性は実世界のデータセットでテストすることによって検証された。
  論文  参考訳（メタデータ） (2021-05-09T10:03:55Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• A Lane Merge Coordination Model for a V2X Scenario [1.2387676601792896]
  本稿では,集中型システムに基づく車線マージコーディネーションのコネクテッドカーへの応用について述べる。 アプリケーションは、トラフィックオーケストレータをメインコンポーネントとして構成する。 車両が車線マージの協調操作を成功させるかどうかを予測するため,機械学習とデータ解析を適用した。
  論文  参考訳（メタデータ） (2020-10-20T16:36:06Z)
• Lane Detection Model Based on Spatio-Temporal Network With Double Convolutional Gated Recurrent Units [11.968518335236787]
  レーン検出は今後しばらくは未解決の問題として残るだろう。 二重円錐 Gated Recurrent Units (ConvGRUs) を用いた時空間ネットワークは、困難なシーンにおける車線検出に対処することを提案した。 我々のモデルは最先端の車線検出モデルより優れている。
  論文  参考訳（メタデータ） (2020-08-10T06:50:48Z)

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。