論文の概要: Improving classification of road surface conditions via road area extraction and contrastive learning

• arxiv url: http://arxiv.org/abs/2407.14418v1
• Date: Fri, 19 Jul 2024 15:43:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 16:55:32.296921
• Title: Improving classification of road surface conditions via road area extraction and contrastive learning
• Title（参考訳）: 道路領域抽出とコントラスト学習による道路表面条件の分類の改善
• Authors: Linh Trinh, Ali Anwar, Siegfried Mercelis,
• Abstract要約: 画像中の道路面に下流分類モデルのみを集中させるセグメンテーションモデルを導入する。 公開RTKデータセットに対する実験により,提案手法の大幅な改善が示された。
• 参考スコア（独自算出の注目度）: 2.9109581496560044
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Maintaining roads is crucial to economic growth and citizen well-being because roads are a vital means of transportation. In various countries, the inspection of road surfaces is still done manually, however, to automate it, research interest is now focused on detecting the road surface defects via the visual data. While, previous research has been focused on deep learning methods which tend to process the entire image and leads to heavy computational cost. In this study, we focus our attention on improving the classification performance while keeping the computational cost of our solution low. Instead of processing the whole image, we introduce a segmentation model to only focus the downstream classification model to the road surface in the image. Furthermore, we employ contrastive learning during model training to improve the road surface condition classification. Our experiments on the public RTK dataset demonstrate a significant improvement in our proposed method when compared to previous works.
• Abstract（参考訳）: 道路の維持は経済成長と市民の幸福のために重要であり、道路は交通手段として不可欠である。 様々な国で路面検査はまだ手作業で行われているが、自動化するためには、現在、視覚データによる路面欠陥の検出に研究の関心が向けられている。 一方、従来の研究では、画像全体を処理し、計算コストの増大につながるようなディープラーニング手法に焦点が当てられていた。 本研究では,解の計算コストを低く抑えつつ,分類性能の向上に留意する。 画像全体を処理する代わりに,下流の分類モデルを画像の路面にのみ焦点をあてるセグメンテーションモデルを導入する。 さらに, モデルトレーニングにおいて, コントラスト学習を用いて路面条件の分類を改善する。 RTKデータセットの公開実験により,提案手法が従来の手法に比べて大幅に改善されたことを示す。

関連論文リスト

• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Continual Cross-Dataset Adaptation in Road Surface Classification [4.470499157873342]
  道路表面分類のためのディープラーニングモデルは、目に見えないデータセットでテストした場合、一般化が不十分である。 我々は,新しいデータに適応しながら,過去の知識を保持するためにデザインされた連続的な学習微調整手法を採用することを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:18:52Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Model Guided Road Intersection Classification [2.9248680865344348]
  本研究は,rgb画像からの区間間分類を,教師・生徒の訓練パラダイムに基づく結果向上手法とともに,統合型ニューラルネットワークを用いて検討する。 KITTIデータセットと新しいKITTI-360シーケンスの両方において、最適な入力構成を特定し、異なるネットワークパラメータを評価することを目的とした広範な実験活動により、本手法はフレーム単位の最先端手法よりも優れ、提案手法の有効性が証明された。
  論文  参考訳（メタデータ） (2021-04-26T09:15:28Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)
• Design of Efficient Deep Learning models for Determining Road Surface Condition from Roadside Camera Images and Weather Data [2.8904578737516764]
  冬期における道路の整備は、安全と資源を要求される作業である。 その重要な活動の1つは、道路を優先し、耕作や製塩などの清掃作業を行うために、道路表面の状態(RSC)を決定することである。 RSCを決定するための2つの従来のアプローチは、訓練された職員による道路カメラ画像の視覚的検査と、現場での検査を行うために道路をパトロールすることである。
  論文  参考訳（メタデータ） (2020-09-22T02:30:32Z)
• Road surface detection and differentiation considering surface damages [0.0]
  本研究では, 路面形状の変動を考慮した道路検出手法を提案し, 舗装面および未舗装面を同定し, 運転安全に関係のある他の道路面の損傷その他の情報を検出する。 この結果から,低コストカメラで撮影した画像を用いても,受動的視覚をこれらの目的に活用できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-23T23:11:26Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)

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。