論文の概要: ICPR 2024 Competition on Safe Segmentation of Drive Scenes in Unstructured Traffic and Adverse Weather Conditions
- arxiv url: http://arxiv.org/abs/2409.05327v1
- Date: Mon, 9 Sep 2024 04:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 15:50:59.583177
- Title: ICPR 2024 Competition on Safe Segmentation of Drive Scenes in Unstructured Traffic and Adverse Weather Conditions
- Title（参考訳）: ICPR 2024 未構造交通と逆気象条件下におけるドライブシーンの安全なセグメンテーションに関するコンペティション
- Authors: Furqan Ahmed Shaik, Sandeep Nagar, Aiswarya Maturi, Harshit Kumar Sankhla, Dibyendu Ghosh, Anshuman Majumdar, Srikanth Vidapanakal, Kunal Chaudhary, Sunny Manchanda, Girish Varma,
- Abstract要約: ICPR 2024コンペティションは、最先端セマンティックセグメンテーションモデルの評価とベンチマークを行うための厳格なプラットフォームとして機能した。
競争の重要な側面は、安全平均距離(Safe mean Intersection over Union)メートル法(Safe mIoU)の使用と改善であった。
競争の結果はドメインに新しいベンチマークを設定し、現実のシナリオにおける自動運転車のデプロイにおける安全性の重要性を強調した。
- 参考スコア（独自算出の注目度）: 1.4874918394223613
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ICPR 2024 Competition on Safe Segmentation of Drive Scenes in Unstructured Traffic and Adverse Weather Conditions served as a rigorous platform to evaluate and benchmark state-of-the-art semantic segmentation models under challenging conditions for autonomous driving. Over several months, participants were provided with the IDD-AW dataset, consisting of 5000 high-quality RGB-NIR image pairs, each annotated at the pixel level and captured under adverse weather conditions such as rain, fog, low light, and snow. A key aspect of the competition was the use and improvement of the Safe mean Intersection over Union (Safe mIoU) metric, designed to penalize unsafe incorrect predictions that could be overlooked by traditional mIoU. This innovative metric emphasized the importance of safety in developing autonomous driving systems. The competition showed significant advancements in the field, with participants demonstrating models that excelled in semantic segmentation and prioritized safety and robustness in unstructured and adverse conditions. The results of the competition set new benchmarks in the domain, highlighting the critical role of safety in deploying autonomous vehicles in real-world scenarios. The contributions from this competition are expected to drive further innovation in autonomous driving technology, addressing the critical challenges of operating in diverse and unpredictable environments.
- Abstract（参考訳）: ICPR 2024コンペティションは、自律運転の困難な条件下で、最先端のセマンティックセグメンテーションモデルを評価し、ベンチマークするための厳格なプラットフォームとして機能した。
IDD-AWデータセットは、5000枚の高品質なRGB-NIR画像ペアで構成され、それぞれがピクセルレベルでアノテートされ、雨、霧、低光、雪などの悪天候下で捕獲された。
競争の重要な側面は、伝統的なmIoUで見過ごされる可能性のある不適切な予測をペナルティ化するために設計されたセーフ平均連合間距離(Safe mean Intersection over Union, セーフmIoU)メトリクスの使用と改善であった。
この革新的な指標は、自動運転システムの開発における安全性の重要性を強調した。
参加者は、セマンティックセグメンテーションに優れたモデルを示し、非構造的および有害な条件下での安全性と堅牢性を優先した。
競争の結果はドメインに新しいベンチマークを設定し、現実のシナリオにおける自動運転車のデプロイにおける安全性の重要性を強調した。
このコンペティションからのコントリビューションは、多様な予測不可能な環境での運用における重要な課題に対処するため、自動運転技術のさらなる革新を促進することが期待されている。
関連論文リスト
- Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。
CAFuserは、RGBカメラ入力を用いて環境条件を分類し、複数のセンサの融合を誘導するコンディショントークンを生成する。
MUSESデータセットでは,マルチモーダルパノプティクスセグメンテーションの59.7 PQ,セマンティックセグメンテーションの78.2 mIoU,公開ベンチマークの1位にランクインした。
論文 参考訳（メタデータ） (2024-10-14T17:56:20Z) - A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone [0.0]
自律運転システム(ADS)を搭載した車は、適応クルーズ制御、衝突警報、自動駐車など、様々な最先端機能を備えている。
本稿では,多様なドリフト条件下で構築ゾーンや機能で動作可能なコンピュータビジョン技術を利用した,革新的で高精度な道路障害物検出モデルを提案する。
論文 参考訳（メタデータ） (2024-09-24T07:11:00Z) - Autonomous Vehicle Decision-Making Framework for Considering Malicious
Behavior at Unsignalized Intersections [7.245712580297489]
自動運転車では、報酬信号は安全や効率などのフィードバック要因に関する通常の報酬として設定される。
本稿では,緊急時の安全性を高めるために,可変重み付けパラメータによって安全ゲインを変調する。
この決定フレームワークは、無人の交差点で潜在的に悪意のある振る舞いをする車両に遭遇する際に、自律走行車両が情報的決定を行うことを可能にする。
論文 参考訳（メタデータ） (2024-09-11T03:57:44Z) - Real-Time Environment Condition Classification for Autonomous Vehicles [3.8514288339458718]
我々は、屋外の天気と危険な道路状況を特定するために、ディープラーニングモデルを訓練する。
我々は、最先端の悪天候データセットに改良された分類とラベル階層を導入することで、これを実現する。
我々は、単一のRGBフレームから環境条件を分類するためのディープラーニングモデルであるRECNetを訓練する。
論文 参考訳（メタデータ） (2024-05-29T17:29:55Z) - The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳（メタデータ） (2024-05-14T17:59:57Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - ISSAFE: Improving Semantic Segmentation in Accidents by Fusing
Event-based Data [34.36975697486129]
本稿では,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。
イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。
提案手法は, 提案した評価セットに対して+8.2% mIoUの性能向上を達成し, 10以上の最先端セグメンテーション法を克服する。
論文 参考訳（メタデータ） (2020-08-20T14:03:34Z)
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。
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。