論文の概要: LOID: Lane Occlusion Inpainting and Detection for Enhanced Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2408.09117v1
- Date: Sat, 17 Aug 2024 06:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 22:37:12.384439
- Title: LOID: Lane Occlusion Inpainting and Detection for Enhanced Autonomous Driving Systems
- Title（参考訳）: LOID:高機能自動運転システムの車線閉塞塗装と検出
- Authors: Aayush Agrawal, Ashmitha Jaysi Sivakumar, Ibrahim Kaif, Chayan Banerjee,
- Abstract要約: 本研究では,難易度の高い環境下での車線検出を向上するための2つの革新的なアプローチを提案する。
最初のアプローチであるAug-Segmentは、CULanesのトレーニングデータセットを増強することで、従来のレーン検出モデルを改善する。
第2のアプローチであるLOID Lane Occlusion Inpainting and Detectionは、塗装モデルを用いて、閉鎖された地域の道路環境を再構築する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate lane detection is essential for effective path planning and lane following in autonomous driving, especially in scenarios with significant occlusion from vehicles and pedestrians. Existing models often struggle under such conditions, leading to unreliable navigation and safety risks. We propose two innovative approaches to enhance lane detection in these challenging environments, each showing notable improvements over current methods. The first approach aug-Segment improves conventional lane detection models by augmenting the training dataset of CULanes with simulated occlusions and training a segmentation model. This method achieves a 12% improvement over a number of SOTA models on the CULanes dataset, demonstrating that enriched training data can better handle occlusions, however, since this model lacked robustness to certain settings, our main contribution is the second approach, LOID Lane Occlusion Inpainting and Detection. LOID introduces an advanced lane detection network that uses an image processing pipeline to identify and mask occlusions. It then employs inpainting models to reconstruct the road environment in the occluded areas. The enhanced image is processed by a lane detection algorithm, resulting in a 20% & 24% improvement over several SOTA models on the BDDK100 and CULanes datasets respectively, highlighting the effectiveness of this novel technique.
- Abstract（参考訳）: 正確な車線検出は、自動運転における効果的な経路計画や車線追従に不可欠であり、特に車両や歩行者からかなりの排除を受けたシナリオにおいて重要である。
既存のモデルはそのような条件下でしばしば苦労し、信頼性の低い航行と安全性のリスクをもたらす。
本稿では,これらの難易度の高い環境下での車線検出を改善するための2つの革新的な手法を提案し,それぞれが現行手法よりも顕著に改善されていることを示す。
最初のアプローチであるAug-Segmentは、CULanesのトレーニングデータセットをシミュレーションオクルージョンで強化し、セグメンテーションモデルをトレーニングすることで、従来のレーン検出モデルを改善する。
この方法は、CULanesデータセット上の複数のSOTAモデルよりも12%の改善を実現し、豊富なトレーニングデータがオクルージョンを処理することができることを示したが、このモデルは特定の設定に対する堅牢性に欠けていたため、主な貢献は第2のアプローチであるLOID Lane Occlusion Inpainting and Detectionである。
LOIDは、画像処理パイプラインを使用してオクルージョンを特定し、マスクする高度な車線検出ネットワークを導入している。
その後、周囲の道路環境を再構築するために塗装モデルを用いている。
改良された画像はレーン検出アルゴリズムによって処理され、BDDK100とCULanesデータセット上の複数のSOTAモデルに対して20%と24%改善され、この新技術の有効性が強調された。
関連論文リスト
- Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。
最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。
注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2024-11-16T22:20:11Z) - 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) - SGD: Street View Synthesis with Gaussian Splatting and Diffusion Prior [53.52396082006044]
現在の手法では、トレーニングの観点から大きく逸脱する観点で、レンダリングの品質を維持するのに苦労しています。
この問題は、移動中の車両の固定カメラが捉えた、まばらなトレーニングビューに起因している。
そこで本研究では,拡散モデルを用いて3DGSのキャパシティを向上させる手法を提案する。
論文 参考訳（メタデータ） (2024-03-29T09:20:29Z) - 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) - Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。
我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。
本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
論文 参考訳（メタデータ） (2022-03-21T02:30:36Z) - RONELDv2: A faster, improved lane tracking method [1.3965477771846408]
車線検出は、自動運転車や車線出発警報システムにおいて、制御システムの不可欠な部分である。
本稿では,改良された軽量車線検出手法 RONELDv2を提案する。
提案した改良モデルを用いた実験では、異なるデータセットとディープラーニングモデル間でレーン検出精度が一貫した向上を示した。
論文 参考訳（メタデータ） (2022-02-26T13:12:09Z) - 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) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳（メタデータ） (2020-08-19T13:13:01Z)
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。