論文の概要: LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions

• arxiv url: http://arxiv.org/abs/2307.06853v2
• Date: Fri, 18 Aug 2023 15:02:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 23:06:09.851793
• Title: LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions
• Title（参考訳）: LVLane: カオス条件下でのレーン検出と分類のためのディープラーニング
• Authors: Zillur Rahman and Brendan Tran Morris
• Abstract要約: 本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5641096293146712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane detection plays a pivotal role in the field of autonomous vehicles and advanced driving assistant systems (ADAS). Despite advances from image processing to deep learning based models, algorithm performance is highly dependent on training data matching the local challenges such as extreme lighting conditions, partially visible lane markings, and sparse lane markings like Botts' dots. To address this, we present an end-to-end lane detection and classification system based on deep learning methodologies. In our study, we introduce a unique dataset meticulously curated to encompass scenarios that pose significant challenges for state-of-the-art (SOTA) lane localization models. Moreover, we propose a CNN-based classification branch, seamlessly integrated with the detector, facilitating the identification of distinct lane types. This architecture enables informed lane-changing decisions and empowers more resilient ADAS capabilities. We also investigate the effect of using mixed precision training and testing on different models and batch sizes. Experimental evaluations conducted on the widely-used TuSimple dataset, Caltech Lane dataset, and our LVLane dataset demonstrate the effectiveness of our model in accurately detecting and classifying lanes amidst challenging scenarios. Our method achieves state-of-the-art classification results on the TuSimple dataset. The code of the work can be found on www.github.com/zillur-av/LVLane.
• Abstract（参考訳）: 車線検出は、自動運転車や先進運転支援システム(ADAS)の分野において重要な役割を果たす。 画像処理からディープラーニングモデルへの進化にもかかわらず、アルゴリズムのパフォーマンスは、極端な照明条件、部分的に見えるレーンマーキング、ボッツドットのようなスパースレーンマーキングといった局所的な課題に対応するトレーニングデータに大きく依存している。 そこで本研究では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを網羅した独自のデータセットを提案する。 さらに,検出器とシームレスに統合されたCNNに基づく分類分岐を提案し,異なるレーンタイプの識別を容易にする。 このアーキテクチャは、情報レーン変更の決定を可能にし、よりレジリエントなADAS機能を実現する。 また,混合精度トレーニングとテストが異なるモデルとバッチサイズに与える影響についても検討した。 広く利用されているTuSimpleデータセット,Caltech Laneデータセット,およびLVLaneデータセットを用いて実施した実験により,挑戦的なシナリオの中でレーンを正確に検出・分類する上で,我々のモデルの有効性が示された。 提案手法はTuSimpleデータセットを用いて最先端の分類結果を得る。 作業のコードはwww.github.com/zillur-av/LVLaneで見ることができる。

関連論文リスト

• UdeerLID+: Integrating LiDAR, Image, and Relative Depth with Semi-Supervised [12.440461420762265]
  道路分割は自動運転システムにとって重要な課題である。 我々の研究は、LiDARポイントクラウドデータ、ビジュアルイメージ、および相対深度マップを統合する革新的なアプローチを導入している。 主な課題の1つは、大規模で正確にラベル付けされたデータセットの不足である。
  論文  参考訳（メタデータ） (2024-09-10T03:57:30Z)
• Complementary Learning for Real-World Model Failure Detection [15.779651238128562]
  そこでは、異なる訓練パラダイムから学習特性を用いてモデルエラーを検出する。 我々は,制御的かつ自己管理的な方法で,点群における意味的および予測的動作ラベルを学習することにより,我々のアプローチを実証する。 大規模定性解析を行い、ライダー点雲にラベル付き異常を持つ最初のデータセットであるLidarCODAを提示する。
  論文  参考訳（メタデータ） (2024-07-19T13:36:35Z)
• Fusing Pseudo Labels with Weak Supervision for Dynamic Traffic Scenarios [0.0]
  我々は、異種データセットで訓練されたオブジェクト検出モデルから擬似ラベルをアマルガメートする弱い教師付きラベル統一パイプラインを導入する。 我々のパイプラインは、異なるデータセットからのラベルの集約、バイアスの修正、一般化の強化を通じて、統一されたラベル空間をエンゲージする。 我々は,統合ラベル空間を用いた単独物体検出モデルを再学習し,動的交通シナリオに精通した弾力性のあるモデルを構築した。
  論文  参考訳（メタデータ） (2023-08-30T11:33:07Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Repainting and Imitating Learning for Lane Detection [52.5220065495956]
  現行の車線検出手法は、重い影による視認性車線問題に苦慮している。 本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。 提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
  論文  参考訳（メタデータ） (2022-10-11T02:26:39Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• MEAL: Manifold Embedding-based Active Learning [0.0]
  アクティブな学習は、ラベル付けのための最も有望なサンプルを提案することで、少量のデータから学ぶのに役立つ。 本稿では,各獲得ステップにおいて,有望な画像領域を提案するアクティブラーニングのためのプールベースの新しい手法を提案する。 また,Cityscapesでは,Cityscapesでは,CamVidの性能向上が認められなかった。
  論文  参考訳（メタデータ） (2021-06-22T15:22:56Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。