論文の概要: Elastic Interaction Energy Loss for Traffic Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.01449v1
- Date: Mon, 2 Oct 2023 01:30:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 19:48:08.689844
- Title: Elastic Interaction Energy Loss for Traffic Image Segmentation
- Title(参考訳): 交通画像分割のための弾性相互作用エネルギー損失
- Authors: Yaxin Feng, Yuan Lan, Luchan Zhang and Yang Xiang
- Abstract要約: 微細で複雑な幾何学的対象は交通シーンにおいて最も難しいが重要な認識対象である。
本稿では,リアルタイム交通シーン理解における多クラスセグメンテーションのための簡易かつ効率的な幾何感応エネルギー損失関数をCNN(Conal Neural Network)に提案する。
都市景観データ(Cityscapes)、車線データTuSimple(TuSimple)、CULane(Culane)の3つの交通データから,その手法を定量的に定性的に分析した。
- 参考スコア(独自算出の注目度): 6.776747534002341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation is a pixel-level classification of images. The accuracy and fast
inference speed of image segmentation are crucial for autonomous driving
safety. Fine and complex geometric objects are the most difficult but important
recognition targets in traffic scene, such as pedestrians, traffic signs and
lanes. In this paper, a simple and efficient geometry-sensitive energy-based
loss function is proposed to Convolutional Neural Network (CNN) for multi-class
segmentation on real-time traffic scene understanding. To be specific, the
elastic interaction energy (EIE) between two boundaries will drive the
prediction moving toward the ground truth until completely overlap. The EIE
loss function is incorporated into CNN to enhance accuracy on fine-scale
structure segmentation. In particular, small or irregularly shaped objects can
be identified more accurately, and discontinuity issues on slender objects can
be improved. Our approach can be applied to different segmentation-based
problems, such as urban scene segmentation and lane detection. We
quantitatively and qualitatively analyze our method on three traffic datasets,
including urban scene data Cityscapes, lane data TuSimple and CULane. The
results show that our approach consistently improves performance, especially
when using real-time, lightweight networks as the backbones, which is more
suitable for autonomous driving.
- Abstract(参考訳): セグメンテーションは画像のピクセルレベルの分類である。
画像セグメンテーションの精度と高速推論速度は、自動運転の安全性に不可欠である。
微細で複雑な幾何学的対象は、歩行者、交通標識、車線などの交通シーンにおいて最も難しいが重要な認識対象である。
本稿では,リアルタイム交通シーン理解における多クラスセグメンテーションのための,簡易かつ効率的な幾何感性エネルギーベース損失関数を畳み込みニューラルネットワーク(CNN)に提案する。
具体的に言うと、2つの境界の間の弾性相互作用エネルギー(EIE)は、完全に重なるまで基底真理に向かう予測を導く。
EIE損失関数はCNNに組み込まれ、微細構造セグメンテーションの精度を高める。
特に、小または不規則な形状の物体をより正確に識別することができ、細い物体の連続性の問題を改善することができる。
本手法は,都市シーンのセグメンテーションや車線検出など,セグメンテーションに基づく様々な問題に適用できる。
本手法は都市景観データcityscapes, lane data tusimple, culaneの3つの交通データから定量的に定量的に解析する。
提案手法は,特に自律運転に適したリアルタイム軽量ネットワークをバックボーンとして使用する場合,一貫した性能向上を図っている。
関連論文リスト
- RISeg: Robot Interactive Object Segmentation via Body Frame-Invariant
Features [6.358423536732677]
本稿では,ロボットインタラクションとデザインされたボディーフレーム不変機能を用いて,不正確なセグメンテーションを補正する新しい手法を提案する。
オブジェクト分割精度を平均80.7%とすることで、散らばったシーンを正確にセグメント化するための対話型知覚パイプラインの有効性を実証する。
論文 参考訳(メタデータ) (2024-03-04T05:03:24Z) - Lidar Annotation Is All You Need [0.0]
本稿では,畳み込みニューラルネットワークを用いたマルチセンサ構成による画像分割の効率向上を目的とする。
当社のアプローチにおける重要な革新は、点雲からの粗い接地トラスマスクに対処する、マスク付き損失である。
ベンチマークデータセットに対するアプローチの実験的検証は、高品質の画像セグメンテーションモデルに匹敵する性能を示す。
論文 参考訳(メタデータ) (2023-11-08T15:55:18Z) - Smart Traffic Management of Vehicles using Faster R-CNN based Deep
Learning Method [0.0]
本研究では,より高速なR-CNNに基づく深層学習手法を車両のセグメンテーションに向けて検討する。
計算フレームワークは適応的背景モデリングのアイデアを使用する。
実験結果は,この計算フレームワークの優位性を示している。
論文 参考訳(メタデータ) (2023-11-03T05:30:13Z) - A Deeply Supervised Semantic Segmentation Method Based on GAN [9.441379867578332]
提案モデルは,GAN(Generative Adversarial Network)フレームワークを従来のセマンティックセグメンテーションモデルに統合する。
本手法の有効性は,道路ひび割れデータセットの性能向上によって実証された。
論文 参考訳(メタデータ) (2023-10-06T08:22:24Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳(メタデータ) (2021-06-27T09:31:49Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z) - Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。
basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。
BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
論文 参考訳(メタデータ) (2021-01-12T19:20:26Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳(メタデータ) (2020-11-07T19:57:22Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳(メタデータ) (2020-03-11T08:45:53Z)
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。