Fugu-MT 論文翻訳(概要): Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather

論文の概要: Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather

arxiv url: http://arxiv.org/abs/2407.02581v1
Date: Tue, 2 Jul 2024 18:03:52 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 18:33:58.527881
Title: Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather
Title（参考訳）: ロバストADAS: 逆気象に対する機械学習に基づく先進運転支援システムのロバスト性向上
Authors: Muhammad Zaeem Shahzad, Muhammad Abdullah Hanif, Muhammad Shafique,
Abstract要約: 本稿では,デノイングディープニューラルネットワークを前処理ステップとして,悪天候画像から晴天画像へ変換する。ドライバーの視認性が向上し、悪天候下での安全なナビゲーションに欠かせない。
参考スコア（独自算出の注目度）: 5.383130566626935
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the realm of deploying Machine Learning-based Advanced Driver Assistance Systems (ML-ADAS) into real-world scenarios, adverse weather conditions pose a significant challenge. Conventional ML models trained on clear weather data falter when faced with scenarios like extreme fog or heavy rain, potentially leading to accidents and safety hazards. This paper addresses this issue by proposing a novel approach: employing a Denoising Deep Neural Network as a preprocessing step to transform adverse weather images into clear weather images, thereby enhancing the robustness of ML-ADAS systems. The proposed method eliminates the need for retraining all subsequent Depp Neural Networks (DNN) in the ML-ADAS pipeline, thus saving computational resources and time. Moreover, it improves driver visualization, which is critical for safe navigation in adverse weather conditions. By leveraging the UNet architecture trained on an augmented KITTI dataset with synthetic adverse weather images, we develop the Weather UNet (WUNet) DNN to remove weather artifacts. Our study demonstrates substantial performance improvements in object detection with WUNet preprocessing under adverse weather conditions. Notably, in scenarios involving extreme fog, our proposed solution improves the mean Average Precision (mAP) score of the YOLOv8n from 4% to 70%.
Abstract（参考訳）: 機械学習ベースのAdvanced Driver Assistance Systems(ML-ADAS)を現実のシナリオにデプロイする領域では、悪天候条件が大きな課題となる。通常のMLモデルは、極度の霧や豪雨といったシナリオに直面した時に、晴れた天気データでトレーニングされ、事故や安全上の危険に繋がる可能性がある。本稿では,デノイング・ディープ・ニューラル・ニューラルネットワークを前処理のステップとして利用し,悪天候画像を鮮明な気象画像に変換することにより,ML-ADASシステムの堅牢性を向上させるという,新しいアプローチを提案する。提案手法は、ML-ADASパイプラインにおいて、その後のDepp Neural Networks (DNN) を再トレーニングする必要をなくし、計算資源と時間を節約する。さらに、悪天候下での安全なナビゲーションに欠かせないドライバーの可視化を改善する。合成悪天候画像を用いたKITTIデータセットをトレーニングしたUNetアーキテクチャを活用することで,気象アーチファクトを除去するWUNet(Weather UNet)DNNを開発した。本研究では,悪天候条件下でのWUNetプリプロセッシングによる物体検出の性能改善について検討した。特に, 極度の霧を伴う場合, 提案手法は, YOLOv8nの平均平均精度(mAP)を4%から70%に向上させる。

関連論文リスト

Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
論文参考訳（メタデータ） (2024-09-02T23:46:27Z)
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)
FogGuard: guarding YOLO against fog using perceptual loss [5.868532677577194]
FogGuard(フォグガード)は、霧の天候によって引き起こされる課題に対処するために設計された、霧を意識した物体検出ネットワークである。 FogGuardは、YOLOv3をベースラインアルゴリズムとして組み込むことで、シーン内の霧の状態を補償する。我々のネットワークは、RTTSデータセット上でのYOLOv3の57.78%と比較して、69.43%のmAPを達成した。
論文参考訳（メタデータ） (2024-03-13T20:13:25Z)
Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-12T14:21:30Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-05-03T13:24:06Z)
Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文参考訳（メタデータ） (2022-04-23T01:30:47Z)
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)
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)
TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。