論文の概要: TSTTC: A Large-Scale Dataset for Time-to-Contact Estimation in Driving Scenarios

• arxiv url: http://arxiv.org/abs/2309.01539v2
• Date: Wed, 6 Sep 2023 04:12:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 11:23:49.135361
• Title: TSTTC: A Large-Scale Dataset for Time-to-Contact Estimation in Driving Scenarios
• Title（参考訳）: TSTTC:運転シナリオにおける時間対接触推定のための大規模データセット
• Authors: Yuheng Shi, Zehao Huang, Yan Yan, Naiyan Wang, Xiaojie Guo
• Abstract要約: TTC(Time-to-Contact)推定は,衝突リスクを評価する上で重要な課題である。 本稿では,モノクロカメラによるTTC推定を促進するために,大規模オブジェクト指向TTCデータセットを駆動シーンに提示する。
• 参考スコア（独自算出の注目度）: 39.207748094685286
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time-to-Contact (TTC) estimation is a critical task for assessing collision risk and is widely used in various driver assistance and autonomous driving systems. The past few decades have witnessed development of related theories and algorithms. The prevalent learning-based methods call for a large-scale TTC dataset in real-world scenarios. In this work, we present a large-scale object oriented TTC dataset in the driving scene for promoting the TTC estimation by a monocular camera. To collect valuable samples and make data with different TTC values relatively balanced, we go through thousands of hours of driving data and select over 200K sequences with a preset data distribution. To augment the quantity of small TTC cases, we also generate clips using the latest Neural rendering methods. Additionally, we provide several simple yet effective TTC estimation baselines and evaluate them extensively on the proposed dataset to demonstrate their effectiveness. The proposed dataset is publicly available at https://open-dataset.tusen.ai/TSTTC.
• Abstract（参考訳）: 衝突リスクの評価にはttc(time-to-contact)推定が重要であり、様々な運転支援システムや自動運転システムで広く使われている。 過去数十年間、関連する理論やアルゴリズムの開発が見られた。 一般的な学習ベースの手法は、現実世界のシナリオで大規模なTTCデータセットを要求する。 本稿では,単眼カメラによるttc推定を促進するために,運転シーンにおける大規模オブジェクト指向ttcデータセットを提案する。 貴重なサンプルを収集し、TTC値の異なるデータを比較的バランスよく作成するために、数千時間の駆動データを経て、プリセットされたデータ分布で200K以上のシーケンスを選択する。 小型TTC症例の量を増大させるため,最新のニューラルレンダリング手法を用いてクリップを生成する。 さらに,TTC推定ベースラインを複数提供し,提案したデータセットに基づいて評価を行い,その効果を実証する。 提案されたデータセットはhttps://open-dataset.tusen.ai/TSTTCで公開されている。

関連論文リスト

• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Embarassingly Simple Dataset Distillation [0.0]
  本研究は, 2段階最適化問題として直接扱うことにより, その中核におけるデータセットの蒸留に取り組む。 蒸留されたデータの性質を深く掘り下げると、相互相関が明らかになる。 異なるデータ予算にまたがって、ほぼ最適性能のサブセットを含む蒸留データセットを生成するブーピング機構を考案する。
  論文  参考訳（メタデータ） (2023-11-13T02:14:54Z)
• pSTarC: Pseudo Source Guided Target Clustering for Fully Test-Time Adaptation [15.621092104244003]
  テスト時間適応(TTA)は機械学習において重要な概念であり、モデルが現実世界のシナリオでうまく機能することを可能にする。 そこで本研究では,TTAの比較的未探索領域を実世界のドメインシフト下で解決する手法として,擬似ソースガイドターゲットクラスタリング(pSTarC)を提案する。
  論文  参考訳（メタデータ） (2023-09-02T07:13:47Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data [0.0]
  熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。 伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。 本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T22:26:50Z)
• Traffic Sign Recognition Dataset and Data Augmentation [0.0]
  トラフィックサイン認識のために収集されたデータセットは少ない。 ディープラーニングは、実際の使用のためにモデルをトレーニングするための、ほとんど唯一の方法です。 特定のシグネチャクラスでは、そのシグネチャの意味がデータセットに十分なインスタンスを取得できないように運命付けられています。
  論文  参考訳（メタデータ） (2023-03-31T13:14:36Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Binary TTC: A Temporal Geofence for Autonomous Navigation [85.3581740999893]
  接触時間は、シーン内のオブジェクトの深さ、速度、および加速よりも潜在的に有益です。 この課題に対処するために、TTCをより単純でバイナリな分類によって推定する。 私達の方法は6.4 msの一時的なgeofenceを提供します--既存の方法より25倍以上速く。
  論文  参考訳（メタデータ） (2021-01-12T22:05:21Z)

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。