論文の概要: Local and Global Information in Obstacle Detection on Railway Tracks

• arxiv url: http://arxiv.org/abs/2307.15478v1
• Date: Fri, 28 Jul 2023 11:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 12:42:27.957086
• Title: Local and Global Information in Obstacle Detection on Railway Tracks
• Title（参考訳）: 鉄道線路の障害物検出における局所的・グローバル的情報
• Authors: Matthias Brucker, Andrei Cramariuc, Cornelius von Einem, Roland Siegwart, and Cesar Cadena
• Abstract要約: 鉄道画像から線路分割を学習するための浅層ネットワークの利用を提案する。 ネットワークの受容領域は、過信の予測を防ぐ。 本手法は, 人工的な障害物を有する鉄道画像を含むカスタムデータセット上で評価する。
• 参考スコア（独自算出の注目度）: 30.90745722512406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable obstacle detection on railways could help prevent collisions that result in injuries and potentially damage or derail the train. Unfortunately, generic object detectors do not have enough classes to account for all possible scenarios, and datasets featuring objects on railways are challenging to obtain. We propose utilizing a shallow network to learn railway segmentation from normal railway images. The limited receptive field of the network prevents overconfident predictions and allows the network to focus on the locally very distinct and repetitive patterns of the railway environment. Additionally, we explore the controlled inclusion of global information by learning to hallucinate obstacle-free images. We evaluate our method on a custom dataset featuring railway images with artificially augmented obstacles. Our proposed method outperforms other learning-based baseline methods.
• Abstract（参考訳）: 鉄道での信頼できる障害物検出は、負傷や列車の損傷や脱線を引き起こす衝突を防ぐのに役立つ。 残念なことに、汎用オブジェクト検出器には可能なすべてのシナリオを考慮した十分なクラスがなく、鉄道上のオブジェクトを特徴とするデータセットは取得が難しい。 鉄道画像から線路分割を学習するための浅層ネットワークの利用を提案する。 ネットワークの限られた受容領域は、過密な予測を防止し、ネットワークが鉄道環境の局所的かつ反復的なパターンに焦点を合わせることを可能にする。 さらに,障害のない画像の提示を学習することで,グローバル情報の包含性について検討する。 本手法は, 人工的な障害物を有する鉄道画像を含むカスタムデータセット上で評価する。 提案手法は他の学習ベースライン法よりも優れている。

関連論文リスト

• A Universal Railway Obstacle Detection System based on Semi-supervised Segmentation And Optical Flow [1.450405446885067]
  従来のオブジェクト検出手法ではなく,バイナリ分割問題としてタスクを再構築する。 データ不足を軽減するため,Segment Anything (SAM) とYOLOを用いて,高度にリアルな合成画像を生成する。 我々は、事前知識として光学フローを活用してモデルを効果的に訓練する。
  論文  参考訳（メタデータ） (2024-06-27T05:48:26Z)
• Train Ego-Path Detection on Railway Tracks Using End-to-End Deep Learning [2.855485723554975]
  本稿では,「列車エゴパス検出」の課題を紹介する。 列車の直進経路、すなわち「エゴパス」を、潜在的に複雑でダイナミックな鉄道環境の中で特定することを目的としている。 私たちの研究の中心は、エゴパス検出に適したエンドツーエンドのディープラーニングフレームワークであるTEP-Netです。
  論文  参考訳（メタデータ） (2024-03-19T18:46:32Z)
• Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety [0.11999555634662631]
  RHGCの事故と遅れは、アメリカ合衆国連邦鉄道管理局(FRA)に重大な安全上の懸念をもたらす。 本研究では、機械学習とコンピュータビジョン技術を活用してRHGCの安全性を高めるインテリジェントシステムを提案する。
  論文  参考訳（メタデータ） (2024-03-17T02:15:15Z)
• Wooden Sleeper Deterioration Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs [0.0]
  本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。 畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。 曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
  論文  参考訳（メタデータ） (2023-05-09T00:16:49Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method [7.557470133155959]
  本研究では,鉄道軌道画像のみを必要とする半教師付き畳み込みオートエンコーダに基づくフレームワークを開発した。 提案するフレームワークは,IoT(Internet-of-Things)システムのデータ分析に有用である。
  論文  参考訳（メタデータ） (2021-08-05T07:32:23Z)
• Promoting Connectivity of Network-Like Structures by Enforcing Region Separation [101.10228007363673]
  本稿では,ネットワークのような構造を再構築するために,深い畳み込みネットワークをトレーニングするための接続性指向の損失関数を提案する。 私たちの喪失の背後にある主な考え方は、画像の背景領域間で発生する断線の観点から、道路や運河の接続性を表現することです。 2つの標準的な道路ベンチマークと、新しい灌水用運河のデータセットの実験において、損失関数で訓練されたコンブネットが道路接続を回復できることが示されている。
  論文  参考訳（メタデータ） (2020-09-15T12:21:35Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。