論文の概要: VWise: A novel benchmark for evaluating scene classification for vehicular applications

• arxiv url: http://arxiv.org/abs/2406.03273v1
• Date: Wed, 5 Jun 2024 13:52:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:10:52.600387
• Title: VWise: A novel benchmark for evaluating scene classification for vehicular applications
• Title（参考訳）: VWise: 車両用シーン分類評価のための新しいベンチマーク
• Authors: Pedro Azevedo, Emanuella Araújo, Gabriel Pierre, Willams de Lima Costa, João Marcelo Teixeira, Valter Ferreira, Roberto Jones, Veronica Teichrieb,
• Abstract要約: VWiseは、道路型分類とシーン分類タスクのための新しいベンチマークである。 ラテンアメリカ諸国の様々な都市環境と農村環境をカバーする520以上のビデオクリップを収集しました。 ベースライン実験において,いくつかの最先端分類モデルを評価し,84%以上の精度を得た。
• 参考スコア（独自算出の注目度）: 2.0353708212872017
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current datasets for vehicular applications are mostly collected in North America or Europe. Models trained or evaluated on these datasets might suffer from geographical bias when deployed in other regions. Specifically, for scene classification, a highway in a Latin American country differs drastically from an Autobahn, for example, both in design and maintenance levels. We propose VWise, a novel benchmark for road-type classification and scene classification tasks, in addition to tasks focused on external contexts related to vehicular applications in LatAm. We collected over 520 video clips covering diverse urban and rural environments across Latin American countries, annotated with six classes of road types. We also evaluated several state-of-the-art classification models in baseline experiments, obtaining over 84% accuracy. With this dataset, we aim to enhance research on vehicular tasks in Latin America.
• Abstract（参考訳）: 現在の車両用データセットは、主に北米やヨーロッパで収集されている。 これらのデータセットでトレーニングまたは評価されたモデルは、他のリージョンにデプロイされた場合、地理的バイアスに悩まされる可能性がある。 特に、シーンの分類において、ラテンアメリカの国の高速道路は、例えば、デザインとメンテナンスのレベルで、アウトバーンと大きく異なる。 道路型分類タスクとシーン分類タスクのための新しいベンチマークであるVWiseと、LatAmにおける車両応用に関連する外部コンテキストに焦点を当てたタスクを提案する。 ラテンアメリカ諸国の都市や農村の様々な環境をカバーし、6種類の道路タイプを付加したビデオクリップを520本以上収集した。 また, ベースライン実験における最先端分類モデルの評価を行い, 84%以上の精度を得た。 このデータセットにより、ラテンアメリカにおける車両作業の研究を強化することを目指している。

関連論文リスト

• ROAD-Waymo: Action Awareness at Scale for Autonomous Driving [17.531603453254434]
  ROAD-Waymoは、道路シーンにおけるエージェント、アクション、位置、イベント検出の技術の開発とベンチマークのための広範なデータセットである。 既存のデータセット(および複数の都市を含む)よりもかなり大きく、より困難なものには、198kの注釈付きビデオフレーム、54kのエージェントチューブ、3.9Mのバウンディングボックス、合計12.4Mのラベルがある。
  論文  参考訳（メタデータ） (2024-11-03T20:46:50Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [54.59279160621111]
  大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。 提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。 本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-31T13:52:36Z)
• Generalization and Personalization of Mobile Sensing-Based Mood Inference Models: An Analysis of College Students in Eight Countries [8.218081835111912]
  8か国678人の参加者から329万件の自己申告を行ったモバイルセンシングデータセットを収集した。 国別(大陸内での訓練・試験)、大陸別(大陸内での訓練・試験)、国別(訓練データでは見られない国で試験)、多国間(複数の国で訓練・試験)のアプローチを評価した。
  論文  参考訳（メタデータ） (2022-11-06T02:26:52Z)
• Vehicle trajectory prediction works, but not everywhere [75.36961426916639]
  本稿では,最先端モデルがオフロードされるような現実的なシーンを自動的に生成する手法を提案する。 物理制約とともに,原子シーン生成関数に基づく簡易かつ効果的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-07T18:59:15Z)
• An Image-based Approach of Task-driven Driving Scene Categorization [7.291979964739049]
  本稿では,弱監督データを用いたタスク駆動運転場面分類手法を提案する。 異なるセマンティック属性のシーンを対比学習によって識別する尺度を学習する。 セマンティックシーン類似性学習とドライビングシーン分類の結果を広範囲に研究した。
  論文  参考訳（メタデータ） (2021-03-10T08:23:36Z)
• Commands 4 Autonomous Vehicles (C4AV) Workshop Summary [91.92872482200018]
  本稿では,最近のEmphTalk2Carデータセットに基づいて,EmphCommands for autonomous Vehicles (C4AV)チャレンジの結果について述べる。 我々は、トップパフォーマンスモデルを成功させる側面を特定し、それらを視覚的なグラウンド化のために既存の最先端モデルと関連付ける。
  論文  参考訳（メタデータ） (2020-09-18T12:33:21Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)

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。