論文の概要: MFMAN-YOLO: A Method for Detecting Pole-like Obstacles in Complex
Environment
- arxiv url: http://arxiv.org/abs/2307.12548v1
- Date: Mon, 24 Jul 2023 06:33:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 15:33:18.663954
- Title: MFMAN-YOLO: A Method for Detecting Pole-like Obstacles in Complex
Environment
- Title（参考訳）: MFMAN-YOLO:複雑環境における極様障害物の検出方法
- Authors: Lei Cai, Hao Wang, Congling Zhou, Yongqiang Wang, Boyu Liu
- Abstract要約: 現実の交通では、道路や気象条件には様々な不確実性や複雑さがある。
本稿では,複雑な環境下での極様障害物の特徴情報の損失を解消するために,マルチスケールなハイブリットアテンション機構検出アルゴリズムを提案する。
実験の結果,検出精度は94.7%,93.1%,97.4%,検出フレームレートは400f/sであった。
- 参考スコア（独自算出の注目度）: 21.06313873761061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world traffic, there are various uncertainties and complexities in
road and weather conditions. To solve the problem that the feature information
of pole-like obstacles in complex environments is easily lost, resulting in low
detection accuracy and low real-time performance, a multi-scale hybrid
attention mechanism detection algorithm is proposed in this paper. First, the
optimal transport function Monge-Kantorovich (MK) is incorporated not only to
solve the problem of overlapping multiple prediction frames with optimal
matching but also the MK function can be regularized to prevent model
over-fitting; then, the features at different scales are up-sampled separately
according to the optimized efficient multi-scale feature pyramid. Finally, the
extraction of multi-scale feature space channel information is enhanced in
complex environments based on the hybrid attention mechanism, which suppresses
the irrelevant complex environment background information and focuses the
feature information of pole-like obstacles. Meanwhile, this paper conducts real
road test experiments in a variety of complex environments. The experimental
results show that the detection precision, recall, and average precision of the
method are 94.7%, 93.1%, and 97.4%, respectively, and the detection frame rate
is 400 f/s. This research method can detect pole-like obstacles in a complex
road environment in real time and accurately, which further promotes innovation
and progress in the field of automatic driving.
- Abstract（参考訳）: 現実世界の交通では、道路や気象条件に様々な不確実性や複雑さがある。
複雑な環境における極状障害物の特徴情報が失われやすく, 検出精度が低く, リアルタイム性能が低いという問題を解決するために, マルチスケールなハイブリットアテンション機構検出アルゴリズムを提案する。
まず、最適輸送関数 Monge-Kantorovich (MK) は、複数の予測フレームの重なり合う問題を最適マッチングで解決するだけでなく、MK関数を正規化してモデル過適合を防止し、最適化されたマルチスケール特徴ピラミッドに従って異なるスケールの機能を別々にアップサンプリングする。
最後に, 複雑な環境背景情報を抑圧し, 極様障害物の特徴情報に焦点をあてるハイブリッドアテンション機構に基づいて, 複合環境におけるマルチスケール特徴空間情報の抽出を促進させる。
一方,本稿では,様々な複雑な環境で実際の道路試験を行う。
その結果, 検出精度, 再現率, 平均精度はそれぞれ94.7%, 93.1%, 97.4%であり, 検出フレームレートは400 f/sであった。
本研究は, 複雑な道路環境におけるポール状障害物をリアルタイムかつ正確に検出し, 自動走行分野の革新と進展を促進する。
関連論文リスト
- Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。
グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
論文 参考訳（メタデータ） (2024-09-23T11:01:18Z) - GLCM-Based Feature Combination for Extraction Model Optimization in Object Detection Using Machine Learning [0.0]
本研究の目的は,GLCMフレームワーク内で適切な特徴を選択することにより,計算効率を向上させることである。
K-Nearest Neighbours(K-NN)とSVM(Support Vector Machine)の2つの分類モデルが採用された。
その結果,K-NNは計算複雑性の点でSVMよりも優れていた。
論文 参考訳（メタデータ） (2024-04-06T10:16:33Z) - A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
本稿では,教師なし深層学習異常検出システムを提案する。
生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。
リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
論文 参考訳（メタデータ） (2024-03-21T14:26:29Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - 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) - Efficient Sensor Placement from Regression with Sparse Gaussian Processes in Continuous and Discrete Spaces [3.729242965449096]
センサ配置問題は、相関現象を監視する際に発生する一般的な問題である。
本稿では,勾配降下法を用いて最適化可能な変分近似に基づくSP問題に対する新しい定式化を提案する。
論文 参考訳（メタデータ） (2023-02-28T19:10:12Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Improved YOLOv5 network for real-time multi-scale traffic sign detection [4.5598087061051755]
本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。
YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
論文 参考訳（メタデータ） (2021-12-16T11:02:12Z) - Attention-based Neural Network for Driving Environment Complexity
Perception [123.93460670568554]
本稿では,周囲の運転環境の複雑さを予測するための,注目に基づく新しいニューラルネットワークモデルを提案する。
Yolo-v3オブジェクト検出アルゴリズム、ヒートマップ生成アルゴリズム、CNNベースの特徴抽出器、注目ベースの特徴抽出器で構成される。
提案するアテンションベースネットワークは,周囲環境の複雑さを分類する平均分類精度91.22%を達成している。
論文 参考訳（メタデータ） (2021-06-21T17:27:11Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z)
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。