論文の概要: HD Maps are Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization
- arxiv url: http://arxiv.org/abs/2311.16589v2
- Date: Fri, 31 May 2024 21:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-04 20:11:43.099427
- Title: HD Maps are Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization
- Title（参考訳）: HD map is Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization
- Authors: Daeun Lee, Minhyeok Heo, Jiwon Kim,
- Abstract要約: 単一ソース領域一般化のためのHDマップを用いた新しい生成フレームワークを提案する。
我々のフレームワークは、+3.01%pの精度で、ドメイン適応モデルMLDAよりも優れていることを検証します。
- 参考スコア（独自算出の注目度）: 12.45819412968954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lane detection is a vital task for vehicles to navigate and localize their position on the road. To ensure reliable driving, lane detection models must have robust generalization performance in various road environments. However, despite the advanced performance in the trained domain, their generalization performance still falls short of expectations due to the domain discrepancy. To bridge this gap, we propose a novel generative framework using HD Maps for Single-Source Domain Generalization (SSDG) in lane detection. We first generate numerous front-view images from lane markings of HD Maps. Next, we strategically select a core subset among the generated images using (i) lane structure and (ii) road surrounding criteria to maximize their diversity. In the end, utilizing this core set, we train lane detection models to boost their generalization performance. We validate that our generative framework from HD Maps outperforms the Domain Adaptation model MLDA with +3.01%p accuracy improvement, even though we do not access the target domain images.
- Abstract（参考訳）: 車線検出は、車両が道路上の位置をナビゲートし、ローカライズするための重要なタスクである。
信頼性の高い運転を確保するため,車線検出モデルは道路環境において堅牢な一般化性能を有する必要がある。
しかし、訓練されたドメインの高度なパフォーマンスにもかかわらず、その一般化性能はドメインの相違により期待に届かなかった。
このギャップを埋めるために,車線検出における単一ソース領域一般化(SSDG)のためのHDマップを用いた新しい生成フレームワークを提案する。
まず、HDマップのレーンマーキングから、多数のフロントビュー画像を生成する。
次に、生成した画像の中核部分集合を戦略的に選択する。
(i)車線構造及び構造
二 多様性を最大化するための道路周辺基準
最終的に、このコアセットを利用して、一般化性能を高めるためにレーン検出モデルを訓練する。
我々は,HDマップから生成するフレームワークが,対象領域画像にアクセスできない場合でも,+3.01%pの精度で,ドメイン適応モデルMLDAよりも優れていることを検証した。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳（メタデータ） (2024-11-22T06:13:42Z) - LMT-Net: Lane Model Transformer Network for Automated HD Mapping from Sparse Vehicle Observations [11.395749549636868]
Lane Model Transformer Network (LMT-Net) は、エンコーダとデコーダのニューラルネットワークアーキテクチャであり、ポリリン符号化を実行し、レーンペアとその接続性を予測する。
我々は、複数の車両観測と、地上真実(GT)としての人間のアノテーションからなる内部データセット上でのLMT-Netの性能を評価する。
論文 参考訳（メタデータ） (2024-09-19T02:14:35Z) - GGS: Generalizable Gaussian Splatting for Lane Switching in Autonomous Driving [18.741345640930813]
大局的な視点変化下で現実的なレンダリングを実現するための一般化可能な自律走行用ガウス切削法を提案する。
新しい仮想レーン生成モジュールは、マルチレーンデータセットなしで高品質なレーン切替を可能にする。
提案手法は,既存手法と比較して最先端性能を示す。
論文 参考訳（メタデータ） (2024-09-04T02:18:35Z) - MapVision: CVPR 2024 Autonomous Grand Challenge Mapless Driving Tech Report [6.598847563245353]
既存のアルゴリズムのほとんどは、多視点画像からBirdのアイビュー機能を構築していることがわかった。
これらのアルゴリズムは、画像の主被写体が隠されているとき、道路の端で性能が悪く、苦労している。
このコンペティションでは,マルチパースペクティブイメージを入力として使用するだけでなく,この問題に対処するためにSDマップも組み込んだ。
論文 参考訳（メタデータ） (2024-06-14T15:31:45Z) - Building Lane-Level Maps from Aerial Images [9.185929396989083]
レーン検出のために構築された大規模空中画像データセットを初めて紹介する。
我々はAerialLaneNetと呼ばれる空中画像からベースライン深層学習車線検出手法を開発した。
提案手法は,新たなデータセットの最先端手法と比較して,大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-12-20T21:58:45Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。
当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文 参考訳（メタデータ） (2022-07-19T16:48:39Z) - csBoundary: City-scale Road-boundary Detection in Aerial Images for
High-definition Maps [10.082536828708779]
都市規模での道路境界の自動検出のためのcsBoundaryを提案する。
筆者らのネットワークは航空画像パッチを入力として,この画像から直接連続的な道路境界グラフを推定する。
私たちのcsBoundaryは、公開ベンチマークデータセットで評価され、比較されます。
論文 参考訳（メタデータ） (2021-11-11T02:04:36Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z)
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。