論文の概要: Vehicle Detection Performance in Nordic Region

• arxiv url: http://arxiv.org/abs/2403.15017v1
• Date: Fri, 22 Mar 2024 08:03:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 18:18:01.701060
• Title: Vehicle Detection Performance in Nordic Region
• Title（参考訳）: 北欧における車両検出性能
• Authors: Hamam Mokayed, Rajkumar Saini, Oluwatosin Adewumi, Lama Alkhaled, Bjorn Backe, Palaiahnakote Shivakumara, Olle Hagner, Yan Chai Hum,
• Abstract要約: 本論文は,北欧地方の厳しい冬条件下での車両検出における重要な課題について論じる。 従来の車両検出手法は、これらの有害な状況で苦労してきた。 本研究では、Nordic Vehicleデータセットを用いて、最先端の車両検出アルゴリズムの性能を評価する。
• 参考スコア（独自算出の注目度）: 9.914220157314551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the critical challenge of vehicle detection in the harsh winter conditions in the Nordic regions, characterized by heavy snowfall, reduced visibility, and low lighting. Due to their susceptibility to environmental distortions and occlusions, traditional vehicle detection methods have struggled in these adverse conditions. The advanced proposed deep learning architectures brought promise, yet the unique difficulties of detecting vehicles in Nordic winters remain inadequately addressed. This study uses the Nordic Vehicle Dataset (NVD), which has UAV images from northern Sweden, to evaluate the performance of state-of-the-art vehicle detection algorithms under challenging weather conditions. Our methodology includes a comprehensive evaluation of single-stage, two-stage, and transformer-based detectors against the NVD. We propose a series of enhancements tailored to each detection framework, including data augmentation, hyperparameter tuning, transfer learning, and novel strategies designed explicitly for the DETR model. Our findings not only highlight the limitations of current detection systems in the Nordic environment but also offer promising directions for enhancing these algorithms for improved robustness and accuracy in vehicle detection amidst the complexities of winter landscapes. The code and the dataset are available at https://nvd.ltu-ai.dev
• Abstract（参考訳）: 本報告では, 豪雪, 可視性低下, 低照度を特徴とする北欧地域の厳しい冬条件下での車両検出の課題について述べる。 環境の歪みや閉塞の影響を受けやすいため、従来の車両検出法はこれらの有害な状況に苦しんだ。 先進的な深層学習アーキテクチャは約束をもたらしたが、北欧の冬における車両検出の難しさは相変わらず解決されていない。 本研究は、スウェーデン北部のUAV画像を持つ北欧自動車データセット(NVD)を用いて、挑戦的な気象条件下での最先端の車両検出アルゴリズムの性能を評価する。 本手法は,NVDに対する単段,二段,変圧器に基づく検出器の総合的な評価を含む。 本稿では,データ拡張,ハイパーパラメータチューニング,トランスファーラーニング,DTRモデル用に明示的に設計された新しい戦略など,各検出フレームワークに適した一連の拡張を提案する。 本研究は,北欧環境における現在の検知システムの限界を浮き彫りにするだけでなく,冬の景観の複雑さの中で,車両検出におけるロバスト性や精度を向上させるために,これらのアルゴリズムを改良するための有望な方向性を提供する。 コードとデータセットはhttps://nvd.ltu-ai.devで公開されている。

関連論文リスト

• Snowy Scenes,Clear Detections: A Robust Model for Traffic Light Detection in Adverse Weather Conditions [5.208045772970408]
  逆天候は、現在の検知システムにとって大きな課題を示し、しばしば失敗と潜在的な安全リスクをもたらす。 本稿では,そのような条件下での物体検出を改善するための新しいフレームワークとパイプラインを提案する。 その結果、平均IoUとF1のスコアは、素早い微調整に比べて40.8%改善した。
  論文  参考訳（メタデータ） (2024-06-19T11:52:12Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• 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)
• Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using newly captured NVD from UAV in different snowy weather conditions [1.7452931180966467]
  ドローン画像における車両検出と認識は、異なる安全目的のために使用されている複雑な問題である。 様々な気象条件下での車両の検出と追跡に様々な技術が用いられている。 積雪の車両検出はまだ初期段階だ データが不足しているため 本研究は,北欧地域の様々な積雪条件下で,UAVが捉えた車両のデータを提供することによって,このギャップに対処することを目的とする。
  論文  参考訳（メタデータ） (2023-04-27T18:55:43Z)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• A Benchmark for Spray from Nearby Cutting Vehicles [7.767933159959353]
  本論文は噴霧による乱れの検査方法について述べる。 噴霧による乱れを評価するための評価スキームとともに、新しい軽量噴霧装置を導入している。 密閉車両の一般的なシナリオでは、歪みが最大4秒までの知覚スタックに深刻な影響を与えていることが分かる。
  論文  参考訳（メタデータ） (2021-08-24T15:40:09Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
  本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。 我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
  論文  参考訳（メタデータ） (2020-06-15T05:40:11Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。