論文の概要: Cross Dataset Analysis and Network Architecture Repair for Autonomous Car Lane Detection

• arxiv url: http://arxiv.org/abs/2409.17158v1
• Date: Tue, 10 Sep 2024 20:27:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 16:50:22.187079
• Title: Cross Dataset Analysis and Network Architecture Repair for Autonomous Car Lane Detection
• Title（参考訳）: 自律型クロスデータセット解析とネットワークアーキテクチャ修復 車線検出
• Authors: Parth Ganeriwala, Siddhartha Bhattacharyya, Raja Muthalagu
• Abstract要約: 自動運転車の車線検出アプリケーションにおいて,クロスデータセット解析とネットワークアーキテクチャの修復を行った。 ERFCondLaneNetは、複雑なトポロジを持つ車線検出の難しさを解決するために車線識別フレームワークとして使用されるCondlaneNetの拡張である。
• 参考スコア（独自算出の注目度）: 5.428120316375907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transfer Learning has become one of the standard methods to solve problems to overcome the isolated learning paradigm by utilizing knowledge acquired for one task to solve another related one. However, research needs to be done, to identify the initial steps before inducing transfer learning to applications for further verification and explainablity. In this research, we have performed cross dataset analysis and network architecture repair for the lane detection application in autonomous vehicles. Lane detection is an important aspect of autonomous vehicles driving assistance system. In most circumstances, modern deep-learning-based lane recognition systems are successful, but they struggle with lanes with complex topologies. The proposed architecture, ERFCondLaneNet is an enhancement to the CondlaneNet used for lane identification framework to solve the difficulty of detecting lane lines with complex topologies like dense, curved and fork lines. The newly proposed technique was tested on two common lane detecting benchmarks, CULane and CurveLanes respectively, and two different backbones, ResNet and ERFNet. The researched technique with ERFCondLaneNet, exhibited similar performance in comparison to ResnetCondLaneNet, while using 33% less features, resulting in a reduction of model size by 46%.
• Abstract（参考訳）: トランスファーラーニングは、あるタスクで得られた知識を利用して別のタスクを解くことによって、孤立した学習パラダイムを克服する標準的な方法の1つとなっている。 しかし、さらなる検証と説明のために、アプリケーションにトランスファーラーニングを誘導する前に、最初のステップを特定するために研究を行う必要がある。 本研究では,自律走行車における車線検出アプリケーションのためのクロスデータセット解析とネットワークアーキテクチャの修復を行った。 車線検出は自動運転車の運転支援システムの重要な側面である。 ほとんどの場合、現代のディープラーニングに基づく車線認識システムは成功しているが、複雑なトポロジを持つ車線と競合する。 提案アーキテクチャである ERFCondLaneNet は、高密度、湾曲、フォークラインのような複雑なトポロジを持つレーン線を検出することの難しさを解決するために、レーン識別フレームワークとして使用される CondlaneNet の強化である。 提案手法はCULaneとCurveLanesの2つの共通レーン検出ベンチマークとResNetとERFNetの2つのバックボーンで試験された。 ERFCondLaneNetによる調査では、ResnetCondLaneNetと同じような性能を示しながら、33%の機能を使用せず、モデルサイズを46%削減した。

関連論文リスト

• ENet-21: An Optimized light CNN Structure for Lane Detection [1.4542411354617986]
  本研究では,車線検出問題に対する最適構造について検討する。 現代の車両の運転支援機能には有望なソリューションを提供する。 TuSimpleデータセットの実験は提案手法の有効性を支持する。
  論文  参考訳（メタデータ） (2024-03-28T19:07:26Z)
• AI Powered Road Network Prediction with Multi-Modal Data [0.9426448361599084]
  本研究では,低解像度衛星画像とGPSトラジェクトリデータの両方を利用する融合戦略を用いて,ディープラーニングを用いた道路自動検出のための革新的なアプローチを提案する。 我々は,早期と後期の融合戦略を厳密に検討し,異なる融合設定を用いて深層学習に基づく道路検出性能を評価する。
  論文  参考訳（メタデータ） (2023-12-28T14:31:07Z)
• Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
  本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。 また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-18T18:16:30Z)
• 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)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Scalable Traffic Signal Controls using Fog-Cloud Based Multiagent Reinforcement Learning [0.8258451067861933]
  この研究は、要求されるインフラの数を削減できるスケーラブルなTSCモデルを提案するための最近の研究に基づいている。 提案モデルの有効性を実証するため,ケーススタディを実施し,その結果に有望な結果が得られた。
  論文  参考訳（メタデータ） (2021-10-11T19:06:02Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• 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)
• Lane Detection Model Based on Spatio-Temporal Network With Double Convolutional Gated Recurrent Units [11.968518335236787]
  レーン検出は今後しばらくは未解決の問題として残るだろう。 二重円錐 Gated Recurrent Units (ConvGRUs) を用いた時空間ネットワークは、困難なシーンにおける車線検出に対処することを提案した。 我々のモデルは最先端の車線検出モデルより優れている。
  論文  参考訳（メタデータ） (2020-08-10T06:50:48Z)
• CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point Blending [102.98909328368481]
  CurveLane-NASは、レーンに敏感なアーキテクチャ検索フレームワークである。 長距離コヒーレントと正確な短距離曲線情報の両方をキャプチャする。 点ブレンディングによる曲線線予測において、アーキテクチャ探索と後処理の両方を統一する。
  論文  参考訳（メタデータ） (2020-07-23T17:23:26Z)

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。