論文の概要: LaneCorrect: Self-supervised Lane Detection
- arxiv url: http://arxiv.org/abs/2404.14671v1
- Date: Tue, 23 Apr 2024 01:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 15:41:14.891670
- Title: LaneCorrect: Self-supervised Lane Detection
- Title（参考訳）: LaneCorrect: 自制車線検出
- Authors: Ming Nie, Xinyue Cai, Hang Xu, Li Zhang,
- Abstract要約: 車線検出は、複雑な環境下であっても運転シーンを理解するために、高度に機能する自動運転システムを進化させた。
我々は,LiDAR点雲フレーム上でのレーンの顕著な強度を利用して,教師なしの3次元レーンセグメンテーションを行う方法を示す。
本稿では,レーンラベルを自動的に修正するLaneCorrectという,自己指導型学習手法を提案する。
- 参考スコア（独自算出の注目度）: 29.494404565905047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lane detection has evolved highly functional autonomous driving system to understand driving scenes even under complex environments. In this paper, we work towards developing a generalized computer vision system able to detect lanes without using any annotation. We make the following contributions: (i) We illustrate how to perform unsupervised 3D lane segmentation by leveraging the distinctive intensity of lanes on the LiDAR point cloud frames, and then obtain the noisy lane labels in the 2D plane by projecting the 3D points; (ii) We propose a novel self-supervised training scheme, dubbed LaneCorrect, that automatically corrects the lane label by learning geometric consistency and instance awareness from the adversarial augmentations; (iii) With the self-supervised pre-trained model, we distill to train a student network for arbitrary target lane (e.g., TuSimple) detection without any human labels; (iv) We thoroughly evaluate our self-supervised method on four major lane detection benchmarks (including TuSimple, CULane, CurveLanes and LLAMAS) and demonstrate excellent performance compared with existing supervised counterpart, whilst showing more effective results on alleviating the domain gap, i.e., training on CULane and test on TuSimple.
- Abstract（参考訳）: 車線検出は、複雑な環境下であっても運転シーンを理解するために、高度に機能する自動運転システムを進化させた。
本稿では,アノテーションを使わずに車線を検知できる汎用型コンピュータビジョンシステムの開発に向けて研究する。
以下に貢献する。
(i)LiDAR点雲フレーム上でのレーンの特徴的な強度を活用して教師なしの3Dレーンセグメンテーションを行い、それから3Dポイントを投影することで2D平面内のノイズの多いレーンラベルを得る方法について述べる。
(II)LaneCorrectと呼ばれる新しい自己指導型トレーニング手法を提案する。これは、幾何学的整合性を学習し、対向的な拡張からインスタンス認識を学習することで、レーンラベルを自動的に修正するものである。
3) 自己指導型事前学習モデルを用いて, 任意の目標車線(eg, TuSimple)検出のための学生ネットワークを人間のラベルなしで訓練する。
(4)我々は,TuSimple,CULane,CurveLanes,LLAMASを含む4つの主要車線検出ベンチマークの自己監督手法を徹底的に評価し,CULaneのトレーニングやTuSimpleのテストなど,ドメインギャップを軽減する上でより効果的な結果を示すとともに,既存の教師付き車線よりも優れた性能を示す。
関連論文リスト
- 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) - 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) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - An Effective Motion-Centric Paradigm for 3D Single Object Tracking in
Point Clouds [50.19288542498838]
LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。
現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。
我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
論文 参考訳（メタデータ） (2023-03-21T17:28:44Z) - Repainting and Imitating Learning for Lane Detection [52.5220065495956]
現行の車線検出手法は、重い影による視認性車線問題に苦慮している。
本稿では,教師と学生のペアを含む新しいリペイント・イミメーティング学習フレームワークを提案する。
提案手法は,推定中に余分な時間的コストを伴わず,様々な最先端車線検出ネットワークでプラグアンドプレイが可能となる。
論文 参考訳（メタデータ） (2022-10-11T02:26:39Z) - ONCE-3DLanes: Building Monocular 3D Lane Detection [41.46466150783367]
OnCE-3DLanesは3次元空間にレーンレイアウトアノテーションを付加した実世界の自律走行データセットである。
点雲と画像ピクセルとの明確な関係を利用して、データセットのアノテーションパイプラインは、高品質な3Dレーンの位置を自動的に生成するように設計されている。
論文 参考訳（メタデータ） (2022-04-30T16:35:25Z) - Contrastive Learning for Automotive mmWave Radar Detection Points Based
Instance Segmentation [9.491866334097114]
本稿では,レーダ検出点に基づくインスタンスセグメント化を実現するための対照的な学習手法を提案する。
提案手法では, 正・負のサンプルを接地トラストラベルに従って定義し, 対照的な損失を適用してまずモデルのトレーニングを行い, 次に掲げる下流タスクのトレーニングを行う。
実験の結果, 地中真実情報が5%のトレーニングデータでのみ利用可能である場合, 提案手法は, 教師付き手法と同等の性能を示し, 100%の地中真実情報が得られる。
論文 参考訳（メタデータ） (2022-03-13T03:00:34Z) - FAST3D: Flow-Aware Self-Training for 3D Object Detectors [12.511087244102036]
最先端の自己学習アプローチは、主に自律運転データの時間的性質を無視している。
連続したLiDAR点雲上の3次元物体検出器の教師なし領域適応を可能にするフロー認識型自己学習法を提案する。
以上の結果から,先進的なドメイン知識がなければ,最先端技術よりも大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2021-10-18T14:32:05Z) - YOLOP: You Only Look Once for Panoptic Driving Perception [21.802146960999394]
本稿では,交通物体検出,乾燥領域分割,車線検出を同時に行うパノプティカル駆動認識ネットワーク(YOLOP)を提案する。
特徴抽出のための1つのエンコーダと、特定のタスクを処理する3つのデコーダで構成されている。
私たちのモデルは、BDD100Kデータセットで非常によく機能し、正確性とスピードの観点から、3つのタスクすべてで最先端の処理を実現しています。
論文 参考訳（メタデータ） (2021-08-25T14:19:42Z) - Robust Lane Detection via Expanded Self Attention [3.616997653625528]
レーン検出のための拡張自己注意モジュール(ESA)を提案する。
提案手法は,画像の垂直方向および水平方向に沿ったレーンの信頼度を予測する。
CULaneとBDD100Kの最先端のパフォーマンスとTuSimpleデータセットの明確な改善を実現します。
論文 参考訳（メタデータ） (2021-02-14T00:29:55Z) - Self-supervised Video Object Segmentation [76.83567326586162]
本研究の目的は、半教師付きビデオオブジェクトセグメンテーション(高密度トラッキング)の解決を目的とした自己教師付き表現学習である。
i) 従来の自己教師型アプローチを改善すること、(ii) オンライン適応モジュールによる自己教師型アプローチの強化により、空間的時間的不連続性によるトラッカーのドリフトを緩和すること、(iv) DAVIS-2017とYouTubeの自己教師型アプローチで最先端の結果を示すこと、などが提案されている。
論文 参考訳（メタデータ） (2020-06-22T17:55:59Z)
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。