論文の概要: SynRailObs: A Synthetic Dataset for Obstacle Detection in Railway Scenarios

• arxiv url: http://arxiv.org/abs/2505.10784v1
• Date: Fri, 16 May 2025 01:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.870558
• Title: SynRailObs: A Synthetic Dataset for Obstacle Detection in Railway Scenarios
• Title（参考訳）: SynRailObs:鉄道シナリオにおける障害物検出のための合成データセット
• Authors: Qiushi Guo, Jason Rambach,
• Abstract要約: SynRailObsは多種多様な気象条件と地理的特徴を表すために設計された高忠実な合成データセットである。 我々は実世界の鉄道環境で実験を行い、バラストとバラストレスの両方の線路で試験を行った。 その結果,SynRailObsは鉄道安全への応用において,障害物検出を推し進める大きな可能性を秘めていることがわかった。
• 参考スコア（独自算出の注目度）: 1.2277343096128712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting potential obstacles in railway environments is critical for preventing serious accidents. Identifying a broad range of obstacle categories under complex conditions requires large-scale datasets with precisely annotated, high-quality images. However, existing publicly available datasets fail to meet these requirements, thereby hindering progress in railway safety research. To address this gap, we introduce SynRailObs, a high-fidelity synthetic dataset designed to represent a diverse range of weather conditions and geographical features. Furthermore, diffusion models are employed to generate rare and difficult-to-capture obstacles that are typically challenging to obtain in real-world scenarios. To evaluate the effectiveness of SynRailObs, we perform experiments in real-world railway environments, testing on both ballasted and ballastless tracks across various weather conditions. The results demonstrate that SynRailObs holds substantial potential for advancing obstacle detection in railway safety applications. Models trained on this dataset show consistent performance across different distances and environmental conditions. Moreover, the model trained on SynRailObs exhibits zero-shot capabilities, which are essential for applications in security-sensitive domains. The data is available in https://www.kaggle.com/datasets/qiushi910/synrailobs.
• Abstract（参考訳）: 鉄道環境の潜在的な障害を検出することは、深刻な事故を防止するために重要である。 複雑な条件下で幅広い障害カテゴリを特定するには、正確に注釈付けされた高品質な画像を持つ大規模なデータセットが必要である。 しかし、既存の公開データセットはこれらの要件を満たすことができず、鉄道安全研究の進歩を妨げている。 このギャップに対処するためにSynRailObsを紹介した。SynRailObsは多種多様な気象条件と地理的特徴を表すために設計された高忠実な合成データセットである。 さらに、拡散モデルを用いて、現実のシナリオにおいて典型的に得るのが困難である稀で難易度の高い障害物を生成する。 SynRailObsの有効性を評価するため,実環境の鉄道環境において,各種気象条件におけるバラストトラックおよびバラストレストラックの試験を行った。 その結果,SynRailObsは鉄道安全への応用において,障害物検出を推し進める大きな可能性を秘めていることがわかった。 このデータセットでトレーニングされたモデルは、異なる距離と環境条件で一貫した性能を示す。 さらに、SynRailObsでトレーニングされたモデルはゼロショット機能を示しており、これはセキュリティに敏感なドメインのアプリケーションに必須である。 データはhttps://www.kaggle.com/datasets/qiushi910/synrailobsで入手できる。

関連論文リスト

• SkillMimic-V2: Learning Robust and Generalizable Interaction Skills from Sparse and Noisy Demonstrations [68.9300049150948]
  インタラクション実証(Reinforcement Demonstration, RLID)からの強化学習における根本的な課題に対処する。 既存のデータ収集アプローチはスパース、非接続、ノイズのトラジェクトリを生成し、スキルのバリエーションとトランジションの完全なスペクトルをキャプチャできない。 本稿では,実証技術間の潜在的な遷移を検出するStitched Trajectory Graph (STG) と,実証地区内の任意の状態に対するユニークな接続を確立するState Transition Field (STF) という2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-05-04T13:00:29Z)
• Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
  このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。 本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。 提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
  論文  参考訳（メタデータ） (2025-03-09T13:30:11Z)
• Hard Cases Detection in Motion Prediction by Vision-Language Foundation Models [16.452638202694246]
  本研究は、自動運転におけるハードケースの検出におけるビジョン・ランゲージ・ファンデーション・モデル(VLM)の可能性を探るものである。 設計したプロンプトで逐次画像フレームを供給し,課題のあるエージェントやシナリオを効果的に識別する,実現可能なパイプラインを提案する。 NuScenesデータセット上で、パイプラインを最先端の手法に組み込むことの有効性と可能性を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:35:41Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• A Comparative Analysis of Visual Odometry in Virtual and Real-World Railways Environments [3.2750823836771685]
  本稿では,仮想合成環境と実世界のシナリオの両方に適用したSLAMアルゴリズムの性能の比較分析を行う。 その結果,鉄道領域における認識タスクの促進に向けたグラフィックシミュレーションの可能性と可能性を強調した。
  論文  参考訳（メタデータ） (2024-03-25T18:18:12Z)
• ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation in Construction Environments [1.4070907500169874]
  本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。 このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
  論文  参考訳（メタデータ） (2023-12-27T10:49:19Z)
• Robust Roadside Perception: an Automated Data Synthesis Pipeline Minimizing Human Annotation [16.51811916515588]
  高品質なラベル付き道路センサデータの多様性の欠如は、ロバスト性を低下させる。 生成Adrial Networkは、さらに現実性を高めるために適用され、フォトリアリスティック合成データセットを生成する。 我々のアプローチは、ミシガン州の2つの重要な交差点であるマキティ交差点と州立セント・エルズワースRdラウンドアバウトで厳格にテストされた。
  論文  参考訳（メタデータ） (2023-06-29T21:00:57Z)
• 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)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。