論文の概要: RailYolact -- A Yolact Focused on edge for Real-Time Rail Segmentation

• arxiv url: http://arxiv.org/abs/2410.09612v1
• Date: Sat, 12 Oct 2024 18:23:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 13:35:29.733271
• Title: RailYolact -- A Yolact Focused on edge for Real-Time Rail Segmentation
• Title（参考訳）: RailYolact -- リアルタイム鉄道セグメンテーションのためのエッジに焦点をあてた黄銅
• Authors: Qihao Qian,
• Abstract要約: エッジ演算子から抽出したエッジ情報を元のYolactの損失関数に組み込んで,レールエッジに対するモデルの焦点を強調する。 実験結果から, 予測精度の向上が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring obstacle avoidance on the rail surface is crucial for the safety of autonomous driving trains and its first step is to segment the regions of the rail. We chose to build upon Yolact for our work. To address the issue of rough edge in the rail masks predicted by the model, we incorporated the edge information extracted by edge operator into the original Yolact's loss function to emphasize the model's focus on rail edges. Additionally, we applied box filter to smooth the jagged ground truth mask edges cause by linear interpolation. Since the integration of edge information and smooth process only occurred during the training process, the inference speed of the model remained unaffected. The experiments results on our custom rail dataset demonstrated an improvement in the prediction accuracy. Moreover, the results on Cityscapes showed a 4.1 and 4.6 improvement in $AP$ and $AP_{50}$ , respectively, compared to Yolact.
• Abstract（参考訳）: 鉄道面上の障害物回避は、自動走行列車の安全のために重要であり、その最初のステップは線路の領域を分割することである。 私たちは仕事のためにYolactを構築することにしました。 モデルにより予測されたレールマスクの粗いエッジ問題に対処するため,エッジ演算子によって抽出されたエッジ情報を元のヨラクタンの損失関数に組み込んだ。 さらに,線形補間により引き起こされるギザギザの真理マスクエッジを円滑にするため,ボックスフィルタを適用した。 エッジ情報とスムーズなプロセスの統合はトレーニングプロセス中にのみ発生したため、モデルの推論速度は影響を受けなかった。 実験結果から, 予測精度の向上が得られた。 さらに、Cityscapesの結果は、Yolactと比較して、それぞれ$AP$と$AP_{50}$ の4.1と4.6の改善が見られた。

関連論文リスト

• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• TPE-Net: Track Point Extraction and Association Network for Rail Path Proposal Generation [1.9181913148426697]
  本稿では,TPE-Netと呼ばれる畳み込み型エンコーダデコーダアーキテクチャを提案する。 カメラパラメータや3Dデータ、幾何学的制約に依存することなく、強力な鉄道経路仮説を生成する。
  論文  参考訳（メタデータ） (2023-02-11T22:49:06Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Real-time Rail Recognition Based on 3D Point Clouds [3.0980025155565376]
  3次元点雲に基づくリアルタイム鉄道認識手法を提案し, 乱れや不均一密度, 点雲の大量化といった課題を解決する。 各ボクセルとレール位置の予測結果を生成するために,マルチスケールニューラルネットワークを提案する。 その結果, この手法は直線, 曲線, その他の複雑なトポロジを検出するのに優れた性能を示した。
  論文  参考訳（メタデータ） (2022-01-08T01:42:02Z)
• Event-Based Feature Tracking in Continuous Time with Sliding Window Optimization [55.11913183006984]
  イベントカメラにおける連続時間特徴追跡のための新しい手法を提案する。 時空における推定軌道に沿って事象を整列させることによって特徴を追跡する。 提案するスライディングウインドウB-スプライン最適化が,より長く,より正確な特徴トラックにつながることを実験的に確認した。
  論文  参考訳（メタデータ） (2021-07-09T16:41:20Z)
• Ellipse Loss for Scene-Compliant Motion Prediction [12.446392441065065]
  本研究では,シーンコンプライアンスをよりよく推論し,より現実的な軌跡を予測できる新しい楕円損失を提案する。 楕円損失は、出力軌跡をトップダウンマップフレームに投影することにより、教師付き方法でオフロード予測を直接ペナルティ化する。 アクターの寸法と方向を考慮に入れ、モデルにより直接的なトレーニング信号を提供する。
  論文  参考訳（メタデータ） (2020-11-05T23:33:56Z)
• RONELD: Robust Neural Network Output Enhancement for Active Lane Detection [1.3965477771846408]
  最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。 アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。 RONELDの精度は最大2倍に向上した。
  論文  参考訳（メタデータ） (2020-10-19T14:22:47Z)
• Optical Navigation in Unstructured Dynamic Railroad Environments [2.0948216657769607]
  本研究では,平面軌道床の単独観測から列車動作の推定に対処する手法を提案する。 このアプローチは、高価な列車管理インフラをSmartRail 4.0の列車のローカルインテリジェンスに置き換えるためのステップである。
  論文  参考訳（メタデータ） (2020-07-07T13:21:47Z)
• Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
  本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。 これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
  論文  参考訳（メタデータ） (2020-03-28T18:51:43Z)

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。