論文の概要: A Target Detection Algorithm in Traffic Scenes Based on Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2312.15606v1
• Date: Mon, 25 Dec 2023 04:23:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 17:30:39.646453
• Title: A Target Detection Algorithm in Traffic Scenes Based on Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習に基づく交通シーンのターゲット検出アルゴリズム
• Authors: Xinyu Ren, Ruixuan Wang
• Abstract要約: 本研究では,実世界のシナリオにおける交通物体を正確に検出するために,深層強化学習を用いた新しいアクティブ検出モデルを提案する。 このモデルでは、LSTM-CNNに基づく深いQ-ネットワークを使用して、ターゲットゾーンをトラフィックオブジェクトの特定のカテゴリに識別し、アライメントする。 実験では、このモデルの精度を実証し、信号機の位置と速度制限標識の精度と性能を示した。
• 参考スコア（独自算出の注目度）: 2.8554857235549753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research presents a novel active detection model utilizing deep reinforcement learning to accurately detect traffic objects in real-world scenarios. The model employs a deep Q-network based on LSTM-CNN that identifies and aligns target zones with specific categories of traffic objects through implementing a top-down approach with efficient feature extraction of the environment. The model integrates historical and current actions and observations to make a comprehensive analysis. The design of the state space and reward function takes into account the impact of time steps to enable the model to complete the task in fewer steps. Tests conducted demonstrate the model's proficiency, exhibiting exceptional precision and performance in locating traffic signal lights and speed limit signs. The findings of this study highlight the efficacy and potential of the deep reinforcement learning-based active detection model in traffic-related applications, underscoring its robust detection abilities and promising performance.
• Abstract（参考訳）: 本研究では,実世界の交通物体を正確に検出するために,深層強化学習を用いた新しいアクティブ検出モデルを提案する。 このモデルはLSTM-CNNに基づく深いQ-ネットワークを用いており、環境の効率的な特徴抽出によるトップダウンアプローチを実装することにより、ターゲットゾーンを特定のトラフィックオブジェクトのカテゴリに特定・調整する。 このモデルは、歴史的および現在の行動と観察を統合し、包括的な分析を行う。 状態空間と報酬関数の設計は、モデルがより少ないステップでタスクを完了できるようにするための時間ステップの影響を考慮している。 実験では、このモデルの精度を実証し、信号機の位置と速度制限標識の精度と性能を示した。 本研究は,交通関連アプリケーションにおける深層強化学習に基づく能動検出モデルの有効性と可能性を強調し,その頑健な検出能力と有望な性能を裏付けるものである。

関連論文リスト

• TLD-READY: Traffic Light Detection -- Relevance Estimation and Deployment Analysis [9.458657306918859]
  効率的な交通信号検出は、自動運転車における知覚スタックの重要な構成要素である。 本研究は,先行研究の課題に対処しつつ,新たなディープラーニング検出システムを導入する。 本稿では,道路上の矢印マークを革新的に利用し,事前地図作成の必要性を解消する関連性推定システムを提案する。
  論文  参考訳（メタデータ） (2024-09-11T14:12:44Z)
• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• Efficient Parameter Mining and Freezing for Continual Object Detection [0.0]
  本稿では,ネットワークがシーケンシャルな更新にまたがって検出器の性能を維持する上で,どの層が最重要かを特定する効率的な方法を提案する。 これらの結果は,オブジェクト検出モデル内での漸進的な学習を容易にする上で,階層レベルのパラメータ分離の実質的なメリットを強調した。
  論文  参考訳（メタデータ） (2024-02-20T01:07:32Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• 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)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Spatio-Temporal Point Process for Multiple Object Tracking [30.041104276095624]
  多重オブジェクト追跡(MOT)は、連続するフレーム間の検出対象の関係をモデル化し、それらを異なる軌道にマージすることに焦点を当てている。 本稿では,物体を軌道に関連付ける前に,ノイズを効果的に予測し,マスクアウトし,検出結果を混乱させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-05T18:14:08Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)
• Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment [8.586891288891263]
  短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。 Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
  論文  参考訳（メタデータ） (2020-04-17T11:07:25Z)

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。