論文の概要: Robust Lane Detection with Wavelet-Enhanced Context Modeling and Adaptive Sampling

• arxiv url: http://arxiv.org/abs/2503.18631v1
• Date: Mon, 24 Mar 2025 12:49:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:35:44.842016
• Title: Robust Lane Detection with Wavelet-Enhanced Context Modeling and Adaptive Sampling
• Title（参考訳）: ウェーブレット強化コンテキストモデリングと適応サンプリングによるロバストレーン検出
• Authors: Kunyang Li, Ming Hou,
• Abstract要約: 車線検出は、自動運転と運転支援システムにとって重要である。 本稿では,これらの課題に対処するため,ウェーブレット強化機能ピラミッドネットワークを提案する。 CULaneとTuSimpleの実験は、我々のアプローチが挑戦的なシナリオでベースラインを著しく上回っていることを示している。
• 参考スコア（独自算出の注目度）: 2.453824332203939
• License:
• Abstract: Lane detection is critical for autonomous driving and ad-vanced driver assistance systems (ADAS). While recent methods like CLRNet achieve strong performance, they struggle under adverse con-ditions such as extreme weather, illumination changes, occlusions, and complex curves. We propose a Wavelet-Enhanced Feature Pyramid Net-work (WE-FPN) to address these challenges. A wavelet-based non-local block is integrated before the feature pyramid to improve global context modeling, especially for occluded and curved lanes. Additionally, we de-sign an adaptive preprocessing module to enhance lane visibility under poor lighting. An attention-guided sampling strategy further reffnes spa-tial features, boosting accuracy on distant and curved lanes. Experiments on CULane and TuSimple demonstrate that our approach signiffcantly outperforms baselines in challenging scenarios, achieving better robust-ness and accuracy in real-world driving conditions.
• Abstract（参考訳）: レーン検出は、自律運転とアドバンストドライバー支援システム(ADAS)にとって重要である。 CLRNetのような最近の手法は、強い性能を達成する一方で、極端な天候、照明の変化、閉塞、複雑な曲線などの有害なコンディションの下で苦労している。 これらの課題に対処するため,Wavelet-Enhanced Feature Pyramid Net-work (WE-FPN)を提案する。 ウェーブレットベースの非局所ブロックは特徴ピラミッドの前に統合され、グローバルなコンテキストモデリングを改善する。 さらに,光の弱い光環境下での車線視認性を高めるために,適応前処理モジュールをデサインする。 注意誘導サンプリング戦略により、遠距離および湾曲したレーンの精度が向上する。 CULaneとTuSimpleの実験は、我々のアプローチが挑戦的なシナリオにおいてベースラインを著しく上回り、現実世界の運転条件においてより堅牢性と精度が向上することを示した。

関連論文リスト

• Enhancing autonomous vehicle safety in rain: a data-centric approach for clear vision [0.0]
  我々は,雨による視覚障害を取り除くために,ライブ車両のカメラフィードを処理する視覚モデルを開発した。 従来のエンコーダ・デコーダアーキテクチャを用いて,接続をスキップし,操作を連結した。 その結果, 降雨条件下での航法安全性と信頼性を高めるため, 操舵精度が向上した。
  論文  参考訳（メタデータ） (2024-12-29T20:27:12Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• 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)
• LDTR: Transformer-based Lane Detection with Anchor-chain Representation [11.184960972042406]
  限定的あるいは非視覚的な車線検出シナリオは、自動走行において依然として困難で不可欠である。 これらの問題に対処するためのトランスモデルであるLDTRを提案する。 実験により、LDTRはよく知られたデータセット上で最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2024-03-21T12:29:26Z)
• 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)
• Rethinking Efficient Lane Detection via Curve Modeling [37.45243848960598]
  提案手法は,LLAMASベンチマークにおける最先端性能を実現する。 また、TuSimpleとCUデータセットに対して、低レイテンシ (> 150 FPS) と小さなモデルサイズ (10M) の両方を維持しながら、良好な精度を実現している。
  論文  参考訳（メタデータ） (2022-03-04T17:00:33Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Robust Lane Detection via Expanded Self Attention [3.616997653625528]
  レーン検出のための拡張自己注意モジュール(ESA)を提案する。 提案手法は,画像の垂直方向および水平方向に沿ったレーンの信頼度を予測する。 CULaneとBDD100Kの最先端のパフォーマンスとTuSimpleデータセットの明確な改善を実現します。
  論文  参考訳（メタデータ） (2021-02-14T00:29:55Z)
• End-to-end Lane Shape Prediction with Transformers [13.103463647059634]
  車線検出は、車両の車線離脱警告と適応クルーズ制御に広く用いられている。 レーン形状モデルのパラメータを直接出力するエンドツーエンド手法を提案する。 提案手法はTuSimpleベンチマークで検証され,最も軽量なモデルサイズと高速な速度で最先端の精度を示す。
  論文  参考訳（メタデータ） (2020-11-09T07:42:55Z)
• 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。