論文の概要: ANNA: A Deep Learning Based Dataset in Heterogeneous Traffic for
Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2401.11358v1
- Date: Sun, 21 Jan 2024 01:14:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 16:55:52.635886
- Title: ANNA: A Deep Learning Based Dataset in Heterogeneous Traffic for
Autonomous Vehicles
- Title(参考訳): ANNA: 自動運転車の異種交通におけるディープラーニングベースのデータセット
- Authors: Mahedi Kamal, Tasnim Fariha, Afrina Kabir Zinia, Md. Abu Syed, Fahim
Hasan Khan, Md. Mahbubur Rahman
- Abstract要約: 本研究ではバングラデシュの視点で、特定されていない車両を含むカスタムビルドデータセットについて論じる。
IOU(Intersection Over Union)メトリックを用いたモデルの評価により,データセットの妥当性チェックを行った。
その結果、バングラデシュのトラフィックに関するKITTIまたはCOCOデータセットでトレーニングされたモデルよりも、カスタムデータセットでトレーニングされたモデルの方が正確で効率的であることが判明した。
- 参考スコア(独自算出の注目度): 2.932123507260722
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent breakthroughs in artificial intelligence offer tremendous promise for
the development of self-driving applications. Deep Neural Networks, in
particular, are being utilized to support the operation of semi-autonomous cars
through object identification and semantic segmentation. To assess the
inadequacy of the current dataset in the context of autonomous and
semi-autonomous cars, we created a new dataset named ANNA. This study discusses
a custom-built dataset that includes some unidentified vehicles in the
perspective of Bangladesh, which are not included in the existing dataset. A
dataset validity check was performed by evaluating models using the
Intersection Over Union (IOU) metric. The results demonstrated that the model
trained on our custom dataset was more precise and efficient than the models
trained on the KITTI or COCO dataset concerning Bangladeshi traffic. The
research presented in this paper also emphasizes the importance of developing
accurate and efficient object detection algorithms for the advancement of
autonomous vehicles.
- Abstract(参考訳): 最近の人工知能のブレークスルーは、自動運転アプリケーションの開発に非常に有望だ。
特にディープニューラルネットワークは、オブジェクト識別とセマンティックセグメンテーションを通じて半自律車の運転を支援するために利用されている。
自律車と半自律車のコンテキストにおける現在のデータセットの不適切性を評価するため、ANNAという新しいデータセットを作成しました。
本研究では、バングラデシュの観点から、既存のデータセットには含まれない、特定されていない車両を含むカスタムビルドデータセットについて論じる。
IOU(Intersection Over Union)メトリックを用いたモデルの評価により,データセットの妥当性チェックを行った。
その結果、バングラデシュのトラフィックに関するKITTIまたはCOCOデータセットでトレーニングされたモデルよりも、カスタムデータセットでトレーニングされたモデルの方が正確で効率的であることが判明した。
本研究は,自動運転車の高度化に向けた高精度かつ効率的な物体検出アルゴリズムの開発の重要性を強調した。
関連論文リスト
- A Survey on Autonomous Driving Datasets: Data Statistic, Annotation, and
Outlook [27.04693234358137]
高品質なデータセットは、信頼性の高い自律運転アルゴリズムの開発に不可欠である。
以前のデータセット調査では、データセットをレビューしようとしたが、限られた数に集中するか、データセットの文字に関する詳細な調査が欠如していた。
複数の視点から200以上の自律走行データセットを網羅的に検討した。
論文 参考訳(メタデータ) (2024-01-02T22:35:33Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Going beyond research datasets: Novel intent discovery in the industry
setting [60.90117614762879]
本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。
ドメイン内データに基づく事前学習型言語モデルの利点を示す。
また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
論文 参考訳(メタデータ) (2023-05-09T14:21:29Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳(メタデータ) (2022-06-09T09:17:38Z) - Sim-to-Real Domain Adaptation for Lane Detection and Classification in
Autonomous Driving [0.0]
教師なしのドメイン適応(UDA)アプローチは低コストで時間を要すると考えられている。
自動走行における車線検出と分類のための逆判別および生成手法を用いたUDAスキームを提案する。
論文 参考訳(メタデータ) (2022-02-15T02:10:14Z) - 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) - Large Scale Autonomous Driving Scenarios Clustering with Self-supervised
Feature Extraction [6.804209932400134]
本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。
提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。
新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
論文 参考訳(メタデータ) (2021-03-30T06:22:40Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-15T03:03:38Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - Reducing DNN Labelling Cost using Surprise Adequacy: An Industrial Case
Study for Autonomous Driving [23.054842564447895]
ディープニューラルネットワーク(Deep Neural Networks, DNN)は、自動運転に不可欠なタスクにおける優れたパフォーマンスのため、自動車業界で急速に採用されている。
本稿では、サプライズ・アデクシー(SA)とモデル性能の相関を利用して、DNNに基づくオブジェクトセグメンテーションの開発を改善する方法について述べる。
産業ケーススタディでは,不正確な評価で最大50%のコスト削減が可能であった。
論文 参考訳(メタデータ) (2020-05-29T06:33:55Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。