論文の概要: CLRmatchNet: Enhancing Curved Lane Detection with Deep Matching Process
- arxiv url: http://arxiv.org/abs/2309.15204v1
- Date: Tue, 26 Sep 2023 19:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 17:58:13.298095
- Title: CLRmatchNet: Enhancing Curved Lane Detection with Deep Matching Process
- Title(参考訳): CLRmatchNet:ディープマッチングプロセスによる曲線線検出の強化
- Authors: Sapir Kontente, Roy Orfaig and Ben-Zion Bobrovsky
- Abstract要約: レーン検出は、安全なナビゲーションを確保するために重要なデータを提供することによって、自動運転において重要な役割を果たす。
現代のアルゴリズムはアンカーベースの検出器に依存しており、ラベルの割り当てプロセスが続く。
ラベル割り当てプロセスの強化を目的とした,ディープラーニングサブモジュールベースのアプローチであるMatchNetを紹介した。
- 参考スコア(独自算出の注目度): 0.6906005491572401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lane detection plays a crucial role in autonomous driving by providing vital
data to ensure safe navigation. Modern algorithms rely on anchor-based
detectors, which are then followed by a label assignment process to categorize
training detections as positive or negative instances based on learned
geometric attributes. The current methods, however, have limitations and might
not be optimal since they rely on predefined classical cost functions that are
based on a low-dimensional model. Our research introduces MatchNet, a deep
learning sub-module-based approach aimed at enhancing the label assignment
process. Integrated into a state-of-the-art lane detection network like the
Cross Layer Refinement Network for Lane Detection (CLRNet), MatchNet replaces
the conventional label assignment process with a sub-module network. This
integration results in significant improvements in scenarios involving curved
lanes, with remarkable improvement across all backbones of +2.8% for ResNet34,
+2.3% for ResNet101, and +2.96% for DLA34. In addition, it maintains or even
improves comparable results in other sections. Our method boosts the confidence
level in lane detection, allowing an increase in the confidence threshold. The
code will be available soon: https://github.com/sapirkontente/CLRmatchNet.git
- Abstract(参考訳): レーン検出は、安全なナビゲーションを確保するために重要なデータを提供することによって、自動運転において重要な役割を果たす。
現代のアルゴリズムはアンカーベースの検出器に依存しており、学習した幾何学的属性に基づいてトレーニング検出を正または負のインスタンスとして分類するラベル割り当てプロセスが続く。
しかし、現在の方法には制限があり、低次元モデルに基づく古典的コスト関数に依存しているため、最適ではないかもしれない。
ラベル割り当てプロセスの強化を目的とした,ディープラーニングサブモジュールベースのアプローチであるMatchNetを紹介した。
CLRNet(Cross Layer Refinement Network for Lane Detection)のような最先端のレーン検出ネットワークに統合され、MatchNetは従来のラベル割り当てプロセスをサブモジュールネットワークに置き換える。
この統合により、カーブした車線を含むシナリオが大幅に改善され、ResNet34の+2.8%、ResNet101の+2.3%、DLA34の+2.96%が大幅に改善された。
さらに、他のセクションで同等の結果を維持するか、改善する。
本手法は車線検出における信頼度レベルを高め,信頼しきい値の増大を可能にする。
コードはまもなく利用可能になる。 https://github.com/sapirkontente/CLRmatchNet.git
関連論文リスト
- 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) - CLRNet: Cross Layer Refinement Network for Lane Detection [36.10035201796672]
レーン検出における高レベル特徴と低レベル特徴の両面をフル活用することを目的としたCross Layer Refinement Network(CLRNet)を提案する。
CLRNetはまず、ハイレベルなセマンティック機能を備えたレーンを検出し、低レベルな機能に基づいて改善を行う。
新たなネットワーク設計に加えて,Line IoU損失(Line IoU損失)を導入し,車線全体を単位として局所化精度を向上させる。
論文 参考訳(メタデータ) (2022-03-19T16:11:35Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional
Convolution [39.62595444015094]
トップツーダウンのレーン検出フレームワークであるCondLaneNetを提案する。
また,条件付き畳み込みと行毎の定式化に基づく条件付きレーン検出戦略を提案する。
3つのベンチマークデータセットで最新のパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-05-11T13:10:34Z) - Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural
Network [0.0]
エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。
DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
論文 参考訳(メタデータ) (2021-02-03T04:24:34Z) - RONELD: Robust Neural Network Output Enhancement for Active Lane
Detection [1.3965477771846408]
最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。
アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。
RONELDの精度は最大2倍に向上した。
論文 参考訳(メタデータ) (2020-10-19T14:22:47Z) - Attentive WaveBlock: Complementarity-enhanced Mutual Networks for
Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。
AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。
実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-06-11T15:40:40Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳(メタデータ) (2020-05-11T04:00:09Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2020-04-06T15:51:00Z) - Key Points Estimation and Point Instance Segmentation Approach for Lane
Detection [65.37887088194022]
本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。
PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。
PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
論文 参考訳(メタデータ) (2020-02-16T15:51:30Z)
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。