論文の概要: Polar R-CNN: End-to-End Lane Detection with Fewer Anchors

• arxiv url: http://arxiv.org/abs/2411.01499v1
• Date: Sun, 03 Nov 2024 09:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:39:54.648628
• Title: Polar R-CNN: End-to-End Lane Detection with Fewer Anchors
• Title（参考訳）: 極性R-CNN:低アンカーを用いた終端レーン検出
• Authors: Shengqi Wang, Junmin Liu, Xiangyong Cao, Zengjie Song, Kai Sun,
• Abstract要約: 車線検出は自動運転において重要かつ困難な課題である。 既存のアンカーベースの手法は、以前のレーンアンカーを利用して特徴を抽出し、レーンの位置と形状を洗練させる。 レーン検出のためのエンドツーエンドアンカー方式であるPolar R-CNNを提案する。
• 参考スコア（独自算出の注目度）: 12.014705228619047
• License:
• Abstract: Lane detection is a critical and challenging task in autonomous driving, particularly in real-world scenarios where traffic lanes can be slender, lengthy, and often obscured by other vehicles, complicating detection efforts. Existing anchor-based methods typically rely on prior lane anchors to extract features and subsequently refine the location and shape of lanes. While these methods achieve high performance, manually setting prior anchors is cumbersome, and ensuring sufficient coverage across diverse datasets often requires a large amount of dense anchors. Furthermore, the use of Non-Maximum Suppression (NMS) to eliminate redundant predictions complicates real-world deployment and may underperform in complex scenarios. In this paper, we propose Polar R-CNN, an end-to-end anchor-based method for lane detection. By incorporating both local and global polar coordinate systems, Polar R-CNN facilitates flexible anchor proposals and significantly reduces the number of anchors required without compromising performance.Additionally, we introduce a triplet head with heuristic structure that supports NMS-free paradigm, enhancing deployment efficiency and performance in scenarios with dense lanes.Our method achieves competitive results on five popular lane detection benchmarks--Tusimple, CULane,LLAMAS, CurveLanes, and DL-Rai--while maintaining a lightweight design and straightforward structure. Our source code is available at https://github.com/ShqWW/PolarRCNN.
• Abstract（参考訳）: 車線検出は自動運転において重要な課題であり、特に車線が細く、長く、しばしば他の車両によって隠蔽され、検出作業が複雑になる現実世界のシナリオでは特に難しい課題である。 既存のアンカーベースの手法は、通常、特徴を抽出し、レーンの位置と形状を洗練するために、以前のレーンアンカーに依存している。 これらの手法は高いパフォーマンスを達成するが、手動で事前アンカーを設定するのは煩雑であり、多様なデータセットにわたって十分なカバレッジを確保するには、大量の密アンカーが必要となることが多い。 さらに、冗長な予測を排除するためにNMS(Non-Maximum Suppression)を使用することは、現実のデプロイメントを複雑にし、複雑なシナリオでは性能が低下する可能性がある。 本稿では,レーン検出のためのエンドツーエンドアンカー方式であるPolar R-CNNを提案する。 局所座標系と大域座標系の両方を取り入れることで、フレキシブルアンカーの提案を容易にし、性能を損なうことなく必要なアンカー数を大幅に削減し、さらに、NMSのないパラダイムをサポートし、高密度レーンのシナリオにおけるデプロイメント効率と性能を向上させる3重構造を導入し、我々の手法は、Tusimple、CULane、LLAMAS、CurveLanes、DL-Raiの5つの人気のあるレーン検出ベンチマークにおいて、競合する結果を得る。 ソースコードはhttps://github.com/ShqWW/PolarRCNN.comで公開されています。

関連論文リスト

• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• 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)
• Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
  レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。 提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。 本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。 実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
  論文  参考訳（メタデータ） (2024-01-26T09:28:14Z)
• ADNet: Lane Shape Prediction via Anchor Decomposition [19.233248472182854]
  我々はアンカーベースレーン検出手法の限界を再考する。 アンカーの非フレキシビリティを克服するため、出発点とその関連した方向の熱マップを学習するためにそれらを分解する。 アンカーの品質を高めるため,特徴ピラミッドネットワーク(FPN)のためのLKA(Large Kernel Attention)を導入する。
  論文  参考訳（メタデータ） (2023-08-21T05:42:13Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• 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)
• 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)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)
• Non-recurrent Traffic Congestion Detection with a Coupled Scalable Bayesian Robust Tensor Factorization Model [5.141309607968161]
  非リカレント交通渋滞(NRTC)は通常、通勤者に予期せぬ遅れをもたらす。 NRTCをリアルタイムに正確に検出し、認識することが重要である。
  論文  参考訳（メタデータ） (2020-05-10T03:58:18Z)

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。