論文の概要: ADNet: Lane Shape Prediction via Anchor Decomposition

• arxiv url: http://arxiv.org/abs/2308.10481v1
• Date: Mon, 21 Aug 2023 05:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 14:57:52.253210
• Title: ADNet: Lane Shape Prediction via Anchor Decomposition
• Title（参考訳）: ADNet:アンカー分解によるレーン形状予測
• Authors: Lingyu Xiao, Xiang Li, Sen Yang, Wankou Yang
• Abstract要約: 我々はアンカーベースレーン検出手法の限界を再考する。 アンカーの非フレキシビリティを克服するため、出発点とその関連した方向の熱マップを学習するためにそれらを分解する。 アンカーの品質を高めるため,特徴ピラミッドネットワーク(FPN)のためのLKA(Large Kernel Attention)を導入する。
• 参考スコア（独自算出の注目度）: 19.233248472182854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we revisit the limitations of anchor-based lane detection methods, which have predominantly focused on fixed anchors that stem from the edges of the image, disregarding their versatility and quality. To overcome the inflexibility of anchors, we decompose them into learning the heat map of starting points and their associated directions. This decomposition removes the limitations on the starting point of anchors, making our algorithm adaptable to different lane types in various datasets. To enhance the quality of anchors, we introduce the Large Kernel Attention (LKA) for Feature Pyramid Network (FPN). This significantly increases the receptive field, which is crucial in capturing the sufficient context as lane lines typically run throughout the entire image. We have named our proposed system the Anchor Decomposition Network (ADNet). Additionally, we propose the General Lane IoU (GLIoU) loss, which significantly improves the performance of ADNet in complex scenarios. Experimental results on three widely used lane detection benchmarks, VIL-100, CULane, and TuSimple, demonstrate that our approach outperforms the state-of-the-art methods on VIL-100 and exhibits competitive accuracy on CULane and TuSimple. Code and models will be released on https://github.com/ Sephirex-X/ADNet.
• Abstract（参考訳）: 本稿では、画像の端から生じる固定アンカーに主に焦点を合わせ、その汎用性と品質を無視したアンカーベースレーン検出手法の限界を再考する。 アンカーの非フレキシビリティを克服するため、出発点とその関連した方向の熱マップを学習するためにそれらを分解する。 この分解により、アンカーの開始点の制限が取り除かれ、アルゴリズムは様々なデータセットの異なるレーンタイプに適応できる。 アンカーの品質を高めるために,機能ピラミッドネットワーク(fpn)のための大規模カーネルアテンション(lka)を導入する。 これは受容野を著しく増加させ、車線が通常画像全体にわたって走るので、十分なコンテキストを捉えるのに不可欠である。 我々は提案するシステムAnchor Decomposition Network (ADNet) を命名した。 さらに,複雑なシナリオにおけるADNetの性能を大幅に向上させる汎用Lane IoU(GLIoU)損失を提案する。 VIL-100,CULane,TuSimpleの3つの広く使用されている車線検出ベンチマークの実験結果から,本手法はVIL-100の最先端手法よりも優れており,CULaneとTuSimpleの競合精度が高いことが示された。 コードとモデルはhttps://github.com/Sephirex-X/ADNetでリリースされる。

関連論文リスト

• Ultra Fast Deep Lane Detection with Hybrid Anchor Driven Ordinal Classification [13.735482211178931]
  本稿では,超高速を実現するための新しい,シンプルで効果的な定式化法と,挑戦シナリオの課題を提案する。 具体的には,大域的特徴を用いたアンカー駆動型順序分類問題として,車線検出のプロセスを扱う。 提案手法は,速度と精度の両面で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-06-15T08:53:02Z)
• A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
  レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。 新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。 F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
  論文  参考訳（メタデータ） (2022-04-15T05:24:04Z)
• Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
  車線検出は自動運転における中核機能の一つである。 既存のほとんどの手法はCNNベースの手法に頼っている。 本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
  論文  参考訳（メタデータ） (2022-03-08T13:25:35Z)
• Deep Structured Instance Graph for Distilling Object Detectors [82.16270736573176]
  本稿では,検出システム内の情報を利用して,検出知識の蒸留を容易にするための簡単な知識構造を提案する。 我々は,1段と2段の両方の検出器上で,多様な学生-教師ペアによるCOCOオブジェクト検出の課題に対して,新しい最先端の成果を達成した。
  論文  参考訳（メタデータ） (2021-09-27T08:26:00Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Semi-supervised lane detection with Deep Hough Transform [9.904746542801838]
  本稿では,ハフ空間におけるレーンの幾何学的知識を利用した新しい損失関数を提案する。 レーンを別々のチャネルに分割することで、単純な大域的な最大プールによって各レーンをローカライズすることができる。 提案したHough Transform Lossは,大量の未ラベル画像から学習することで,性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-06-09T14:17:29Z)
• Unsupervised Domain Adaptation from Synthetic to Real Images for Anchorless Object Detection [0.0]
  本稿では,アンカーレス物体検出器に非監視領域適応法を実装した。 私たちの仕事では、合成画像を含むドメイン適応問題のために、最新のアンカーレスアーキテクチャの1つである CenterNet を使用します。
  論文  参考訳（メタデータ） (2020-12-15T10:51:43Z)

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。