Fugu-MT 論文翻訳(概要): SUSTechGAN: Image Generation for Object Recognition in Adverse Conditions of Autonomous Driving

論文の概要: SUSTechGAN: Image Generation for Object Recognition in Adverse Conditions of Autonomous Driving

arxiv url: http://arxiv.org/abs/2408.01430v1
Date: Thu, 18 Jul 2024 15:32:25 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 05:08:48.009846
Title: SUSTechGAN: Image Generation for Object Recognition in Adverse Conditions of Autonomous Driving
Title（参考訳）: SUSTechGAN:自律運転の逆条件における物体認識のための画像生成
Authors: Gongjin Lan, Yang Peng, Qi Hao, Chengzhong Xu,
Abstract要約: 本稿では,2つの注意モジュールとマルチスケールジェネレータを備えた新しいSUSTechGANを提案する。我々は、SUSTechGANと既存のよく知られたGANを用いて、雨と夜の悪天候下で駆動画像を生成し、生成した画像をオブジェクト認識ネットワークの再トレーニングに適用する。実験の結果,SUSTechGANで生成した運転画像は,降雨時のヨロブ5の再学習性能を有意に向上した。
参考スコア（独自算出の注目度）: 22.985889862182642
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autonomous driving significantly benefits from data-driven deep neural networks. However, the data in autonomous driving typically fits the long-tailed distribution, in which the critical driving data in adverse conditions is hard to collect. Although generative adversarial networks (GANs) have been applied to augment data for autonomous driving, generating driving images in adverse conditions is still challenging. In this work, we propose a novel SUSTechGAN with dual attention modules and multi-scale generators to generate driving images for improving object recognition of autonomous driving in adverse conditions. We test the SUSTechGAN and the existing well-known GANs to generate driving images in adverse conditions of rain and night and apply the generated images to retrain object recognition networks. Specifically, we add generated images into the training datasets to retrain the well-known YOLOv5 and evaluate the improvement of the retrained YOLOv5 for object recognition in adverse conditions. The experimental results show that the generated driving images by our SUSTechGAN significantly improved the performance of retrained YOLOv5 in rain and night conditions, which outperforms the well-known GANs. The open-source code, video description and datasets are available on the page 1 to facilitate image generation development in autonomous driving under adverse conditions.
Abstract（参考訳）: 自律運転は、データ駆動のディープニューラルネットワークから大きな恩恵を受ける。しかし、自律運転のデータは通常、悪条件下での臨界運転データが収集されにくい長い尾の分布に適合する。自動走行のためのデータ拡張にはGAN(Generative Adversarial Network)が適用されているが、悪条件下での運転画像の生成は依然として困難である。本研究では,2つの注意モジュールとマルチスケールジェネレータを備えた新しいSUSTechGANを提案する。我々は、SUSTechGANと既存のよく知られたGANを用いて、雨と夜の悪天候下で駆動画像を生成し、生成した画像をオブジェクト認識ネットワークの再トレーニングに適用する。具体的には、トレーニングデータセットに生成された画像を加え、よく知られたYOLOv5を再訓練し、悪条件下での物体認識のための再学習YOLOv5の改善を評価する。 SUSTechGANにより生成された運転画像は,降雨条件および夜間条件下でのYOLOv5の再現性能を著しく向上し,GANよりも優れていた。オープンソースコード、ビデオ記述、データセットは、悪条件下での自律運転における画像生成を容易にするために、ページ1で利用可能である。

関連論文リスト

SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することができる。 SimGenは、テキストプロンプトとシミュレータから取り出されたレイアウトに基づいて、制御性を維持しながら、優れた生成品質と多様性を達成する。
論文参考訳（メタデータ） (2024-06-13T17:58:32Z)
RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文参考訳（メタデータ） (2024-05-30T14:49:54Z)
RadSimReal: Bridging the Gap Between Synthetic and Real Data in Radar Object Detection With Simulation [6.0158981171030685]
RadSimRealは、アノテーションを伴う合成レーダー画像を生成することができる革新的な物理レーダーシミュレーションである。以上の結果から,RadSimRealデータを用いたオブジェクト検出モデルのトレーニングは,同一データセットの実際のデータ上でトレーニングおよびテストされたモデルに匹敵する性能レベルを達成することが示された。この革新的なツールは、レーダーベースの自動運転アプリケーションのためのコンピュータビジョンアルゴリズムの開発を前進させる可能性がある。
論文参考訳（メタデータ） (2024-04-28T11:55:50Z)
Learning to Find Missing Video Frames with Synthetic Data Augmentation: A General Framework and Application in Generating Thermal Images Using RGB Cameras [0.0]
本稿では,センサフレームレートのミスマッチによるデータ不足の問題に対処する。本研究では, 条件付き生成逆数ネットワーク(cGAN)を用いて, 合成的かつ現実的な熱画像を作成することを提案する。
論文参考訳（メタデータ） (2024-02-29T23:52:15Z)
NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文参考訳（メタデータ） (2024-02-28T09:02:33Z)
S-NeRF++: Autonomous Driving Simulation via Neural Reconstruction and Generation [22.58009231967202]
S-NeRF++は神経再構成に基づく革新的な自律運転シミュレーションシステムである。 S-NeRF++は、nuScenesやradianceなど、広く使われている自動運転データセットでトレーニングされている。システムは、ノイズとスパースLiDARデータを効果的に利用して、トレーニングを洗練し、奥行きの外れ値に対処する。
論文参考訳（メタデータ） (2024-02-03T10:35:42Z)
RainSD: Rain Style Diversification Module for Image Synthesis Enhancement using Feature-Level Style Distribution [5.500457283114346]
本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
論文参考訳（メタデータ） (2023-12-31T11:30:42Z)
Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文参考訳（メタデータ） (2023-02-16T16:54:10Z)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
Generating Clear Images From Images With Distortions Caused by Adverse Weather Using Generative Adversarial Networks [0.0]
本研究では,雨滴の付着による歪みを含む悪天候条件にともなう画像に対するコンピュータビジョンタスクの改善手法を提案する。適切な生成対向ネットワークを訓練し,歪みの影響を除去するのに有効であることを示した。
論文参考訳（メタデータ） (2022-11-01T05:02:44Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)

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。