Fugu-MT 論文翻訳(概要): YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving

論文の概要: YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving

arxiv url: http://arxiv.org/abs/2409.03320v1
Date: Thu, 5 Sep 2024 07:49:21 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 21:20:12.512955
Title: YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving
Title（参考訳）: 自動走行におけるクルーズ制御のためのヨロPPAに基づく効率的な交通信号検出
Authors: Jingyu Zhang, Wenqing Zhang, Chaoyi Tan, Xiangtian Li, Qianyi Sun,
Abstract要約: 自律運転システムにおいて,交通標識を効率的にかつ正確に検出することが重要である。既存のオブジェクト検出アルゴリズムでは、これらの小さなスケールの兆候をほとんど検出できない。本稿では, YOLO PPAに基づく交通標識検出アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 10.103731437332693
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is very important to detect traffic signs efficiently and accurately in autonomous driving systems. However, the farther the distance, the smaller the traffic signs. Existing object detection algorithms can hardly detect these small scaled signs.In addition, the performance of embedded devices on vehicles limits the scale of detection models.To address these challenges, a YOLO PPA based traffic sign detection algorithm is proposed in this paper.The experimental results on the GTSDB dataset show that compared to the original YOLO, the proposed method improves inference efficiency by 11.2%. The mAP 50 is also improved by 93.2%, which demonstrates the effectiveness of the proposed YOLO PPA.
Abstract（参考訳）: 自律運転システムにおいて,交通標識を効率的にかつ正確に検出することが重要である。しかし、距離が遠くなるほど、交通量も小さくなる。既存の物体検出アルゴリズムでは、これらの小さな標識を検出できないため、車載装置の性能は検出モデルの規模を制限し、これらの課題に対処するために、YOLO PPAベースの交通標識検出アルゴリズムを提案し、GTSDBデータセットの実験結果から、提案手法は元のYOLOと比較して、推論効率を11.2%向上させることを示した。 mAP 50も93.2%改善され、提案されたYOLO PPAの有効性が示された。

関連論文リスト

YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems [0.0]
本稿では,YOLOシリーズの深層学習モデルの最新の進歩であるYOLO11の詳細な解析について述べる。 YOLO11は、複雑な環境における検出速度、精度、堅牢性を向上させるために設計されたアーキテクチャの改善を導入している。精度,リコール,F1スコア,平均平均精度(mAP)などの指標を用いて,YOLO11の性能を評価する。
論文参考訳（メタデータ） (2024-10-30T10:57:46Z)
YOLO-TS: Real-Time Traffic Sign Detection with Enhanced Accuracy Using Optimized Receptive Fields and Anchor-Free Fusion [15.571409945909243]
本稿では,新しいリアルタイムかつ効率的な道路標識検出ネットワーク YOLO-TS を提案する。このネットワークは,マルチスケール特徴写像の受容場を最適化することにより,性能を著しく向上させる。我々の革新的な機能融合戦略は、アンカーフリー手法の柔軟性を活用し、精度と速度の両面で顕著な向上を実現している。
論文参考訳（メタデータ） (2024-10-22T16:19:55Z)
Human-in-the-loop Reasoning For Traffic Sign Detection: Collaborative Approach Yolo With Video-llava [0.0]
本稿では,映像解析と推論を組み合わせる手法を提案する。ビデオラバの誘導と推論能力により,YOLOの信号検出能力が向上する可能性が示唆された。
論文参考訳（メタデータ） (2024-10-07T14:50:56Z)
A lightweight YOLOv5-FFM model for occlusion pedestrian detection [1.62877896907106]
ヨロは、効率的で単純な1段階目標検出法であり、様々な環境における歩行者検出によく用いられる。本稿では,これらの問題に対処する軽量YOLOv5モデルを提案する。このモデルは浮動小数点演算(FLOP)の少ない歩行者検出精度を向上させることができる。
論文参考訳（メタデータ） (2024-08-13T04:42:02Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
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)
iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文参考訳（メタデータ） (2023-06-09T20:12:02Z)
Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。最小限の手動設計で高性能な制御戦略を発見する。この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文参考訳（メタデータ） (2022-07-30T16:23:45Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
Improved YOLOv5 network for real-time multi-scale traffic sign detection [4.5598087061051755]
本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。 YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
論文参考訳（メタデータ） (2021-12-16T11:02:12Z)
Targeted Physical-World Attention Attack on Deep Learning Models in Road Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文参考訳（メタデータ） (2020-10-09T02:31:34Z)

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。