論文の概要: Sketch and Refine: Towards Fast and Accurate Lane Detection
- arxiv url: http://arxiv.org/abs/2401.14729v1
- Date: Fri, 26 Jan 2024 09:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 15:24:52.136803
- Title: Sketch and Refine: Towards Fast and Accurate Lane Detection
- Title（参考訳）: Sketch and Refine: 高速かつ正確なレーン検出を目指して
- Authors: Chao Chen, Jie Liu, Chang Zhou, Jie Tang, Gangshan Wu
- Abstract要約: レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。
提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。
本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
- 参考スコア（独自算出の注目度）: 69.63287721343907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lane detection is to determine the precise location and shape of lanes on the
road. Despite efforts made by current methods, it remains a challenging task
due to the complexity of real-world scenarios. Existing approaches, whether
proposal-based or keypoint-based, suffer from depicting lanes effectively and
efficiently. Proposal-based methods detect lanes by distinguishing and
regressing a collection of proposals in a streamlined top-down way, yet lack
sufficient flexibility in lane representation. Keypoint-based methods, on the
other hand, construct lanes flexibly from local descriptors, which typically
entail complicated post-processing. In this paper, we present a
"Sketch-and-Refine" paradigm that utilizes the merits of both keypoint-based
and proposal-based methods. The motivation is that local directions of lanes
are semantically simple and clear. At the "Sketch" stage, local directions of
keypoints can be easily estimated by fast convolutional layers. Then we can
build a set of lane proposals accordingly with moderate accuracy. At the
"Refine" stage, we further optimize these proposals via a novel Lane Segment
Association Module (LSAM), which allows adaptive lane segment adjustment. Last
but not least, we propose multi-level feature integration to enrich lane
feature representations more efficiently. Based on the proposed "Sketch and
Refine" paradigm, we propose a fast yet effective lane detector dubbed
"SRLane". Experiments show that our SRLane can run at a fast speed (i.e., 278
FPS) while yielding an F1 score of 78.9\%. The source code is available at:
https://github.com/passerer/SRLane.
- Abstract（参考訳）: 車線検出は、道路上の車線の正確な位置と形状を決定することである。
現在の手法による努力にもかかわらず、現実のシナリオの複雑さのため、依然として困難な課題である。
提案ベースであれキーポイントベースであれ、既存のアプローチは車線を効果的かつ効率的に描写することに苦しむ。
提案手法は, レーン表現の柔軟性に欠けるが, 一連の提案を合理化されたトップダウン方式で区別し, 回帰することでレーンを検出する。
一方、キーポイントベースのメソッドは、局所的な記述子から柔軟にレーンを構築する。
本稿では,キーポイント法と提案法の両方の利点を生かした"Sketch-and-Refine"パラダイムを提案する。
動機は、レーンの局所的な方向が意味的にシンプルで明確であることです。
スコッチ」の段階では、鍵点の局所方向は高速畳み込み層によって容易に推定できる。
そして、適度な精度でレーンの提案を組み立てることができます。
Refine」の段階では、適応的な車線セグメント調整を可能にする新しい車線セグメントアソシエーションモジュール(LSAM)により、これらの提案をさらに最適化する。
最後に,レーン特徴表現をより効率的にエンリッチするために,マルチレベル機能統合を提案する。
提案する"sketch and refine"パラダイムに基づき,高速かつ効果的な車線検出器である"srlane"を提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9\%であることがわかった。
ソースコードはhttps://github.com/passerer/srlane。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳（メタデータ） (2024-11-25T12:09:43Z) - Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
曲線に基づく車線表現は多くの車線検出法で一般的な手法である。
本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-19T11:24:14Z) - BSNet: Lane Detection via Draw B-spline Curves Nearby [21.40607319558899]
曲線に基づく車線検出手法を,車線表現のグローバル性と局所性の観点から再検討する。
我々は,グローバルな特徴とローカルな特徴の獲得を確実にするために,シンプルで効率的なネットワークBSNetを設計する。
提案手法は,Tusimple,CULane,LLAMASデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-01-17T14:25:40Z) - 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) - A Keypoint-based Global Association Network for Lane Detection [47.93323407661912]
レーン検出は、レーンラインの複雑なトポロジー形状を予測し、異なる種類のレーンを同時に区別する必要がある、困難なタスクである。
新しい視点からレーン検出問題を定式化するためのグローバルアソシエーションネットワーク(GANet)を提案する。
F1スコアはCULaneが79.63%、Tusimpleデータセットが97.71%、高いFPSが97.71%である。
論文 参考訳（メタデータ） (2022-04-15T05:24:04Z) - 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) - Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
車線検出は自動運転における中核機能の一つである。
既存のほとんどの手法はCNNベースの手法に頼っている。
本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
論文 参考訳（メタデータ） (2022-03-08T13:25:35Z) - 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)
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。