論文の概要: LanePerf: a Performance Estimation Framework for Lane Detection
- arxiv url: http://arxiv.org/abs/2507.12894v1
- Date: Thu, 17 Jul 2025 08:24:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.405016
- Title: LanePerf: a Performance Estimation Framework for Lane Detection
- Title（参考訳）: LanePerf: レーン検出のパフォーマンス推定フレームワーク
- Authors: Yin Wu, Daniel Slieter, Ahmed Abouelazm, Christian Hubschneider, J. Marius Zöllner,
- Abstract要約: 車線検出は、高度運転支援システム(ADAS)の重要コンポーネントである
ドメインシフトは、しばしば新しい環境にデプロイする際にモデルの信頼性を損なう。
我々は新しいレーン性能推定フレームワーク(LanePerf)を提案する。
本フレームワークは,事前学習した画像エンコーダとDeepSetsベースのアーキテクチャを用いて,画像と車線の特徴を統合する。
- 参考スコア（独自算出の注目度）: 12.117964360565503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lane detection is a critical component of Advanced Driver-Assistance Systems (ADAS) and Automated Driving System (ADS), providing essential spatial information for lateral control. However, domain shifts often undermine model reliability when deployed in new environments. Ensuring the robustness and safety of lane detection models typically requires collecting and annotating target domain data, which is resource-intensive. Estimating model performance without ground-truth labels offers a promising alternative for efficient robustness assessment, yet remains underexplored in lane detection. While previous work has addressed performance estimation in image classification, these methods are not directly applicable to lane detection tasks. This paper first adapts five well-performing performance estimation methods from image classification to lane detection, building a baseline. Addressing the limitations of prior approaches that solely rely on softmax scores or lane features, we further propose a new Lane Performance Estimation Framework (LanePerf), which integrates image and lane features using a pretrained image encoder and a DeepSets-based architecture, effectively handling zero-lane detection scenarios and large domain-shift cases. Extensive experiments on the OpenLane dataset, covering diverse domain shifts (scenes, weather, hours), demonstrate that our LanePerf outperforms all baselines, achieving a lower MAE of 0.117 and a higher Spearman's rank correlation coefficient of 0.727. These findings pave the way for robust, label-free performance estimation in ADAS, supporting more efficient testing and improved safety in challenging driving scenarios.
- Abstract（参考訳）: レーン検出は、高度運転支援システム(ADAS)と自動運転システム(ADS)の重要なコンポーネントであり、横方向制御に不可欠な空間情報を提供する。
しかし、新しい環境にデプロイされた場合、ドメインシフトはモデルの信頼性を損なうことが多い。
レーン検出モデルの堅牢性と安全性を保証するには、典型的には、リソース集約的なターゲットドメインデータの収集とアノテーションが必要となる。
基底構造ラベルを使わずにモデル性能を推定することは、効率的なロバスト性評価に有望な代替手段を提供するが、車線検出では未探索のままである。
過去の研究は画像分類における性能推定に取り組んできたが、これらの手法は車線検出タスクに直接適用されない。
本稿ではまず,画像分類から車線検出,ベースライン構築までの5つの性能評価手法を適用した。
ソフトマックススコアやレーン機能にのみ依存する事前アプローチの限界に対処するため,事前訓練されたイメージエンコーダとDeepSetsベースのアーキテクチャを用いて画像とレーン機能を統合し,ゼロレーン検出シナリオと大きなドメインシフトケースを効果的に処理する,新しいレーン性能推定フレームワーク(LanePerf)を提案する。
さまざまな領域シフト(シーン、天気、時間)をカバーするOpenLaneデータセットの大規模な実験は、LanePerfがすべてのベースラインを上回り、0.117の低いMAEとより高いSpearmanのランク相関係数0.727を達成することを示した。
これらの結果は、ADASにおける堅牢でラベルなしのパフォーマンス評価の道を開き、より効率的なテストをサポートし、挑戦的な運転シナリオにおける安全性を改善した。
関連論文リスト
- Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。
私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。
FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
論文 参考訳（メタデータ） (2025-06-03T05:27:56Z) - Unsupervised Domain Adaptive Person Search via Dual Self-Calibration [12.158126976694488]
Unsupervised Domain Adaptive (UDA) パーソンサーチは、ラベル付きソースドメインデータセットでトレーニングされたモデルを、追加のアノテーションなしでターゲットドメインデータセットに採用することに焦点を当てている。
最も効果的なUDA人物探索法は、典型的には、ソースドメインとクラスタリングから派生した擬似ラベルの基底真理を利用する。
ノイズの多い擬似ラベルの干渉を効果的に除去するUDA人物探索のためのDSCA(Dual Self-Calibration)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-21T06:54:00Z) - Segment-Level Road Obstacle Detection Using Visual Foundation Model Priors and Likelihood Ratios [4.578773000079989]
現在の道路障害物検出方法は各画素にスコアを割り当て、しきい値を適用して最終的な予測を生成する。
道路障害物を直接予測するために,視覚基盤モデルと確率比からセグメントレベルの特徴を利用する新しい手法を提案する。
個々の画素ではなくセグメントに注目することにより,検出精度を高め,偽陽性を低減し,シーンの変動性にロバスト性を高める。
論文 参考訳（メタデータ） (2024-12-07T17:40:20Z) - AGSENet: A Robust Road Ponding Detection Method for Proactive Traffic Safety [30.305692955291033]
道路の沈み込みは、車両を制御不能にさせ、小さなフェンダーの曲がり角から激しい衝突に至る事故を引き起こすことにより、道路の安全に深刻な脅威をもたらす。
既存技術は、複雑な道路テクスチャと反射特性の影響による可変な池色化により、道路の熟成を正確に識別するのに苦慮している。
本稿では,自己注意型グローバル・サリエンシ・エンハンス・ネットワーク(AGSENet)という新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-22T13:21:36Z) - Finding Dino: A Plug-and-Play Framework for Zero-Shot Detection of Out-of-Distribution Objects Using Prototypes [12.82756672393553]
ラベルを含まないプロトタイプによるOOD検出(PROWL)
プラグアンドプレイフレームワーク-PRototype-based OOD Detection Without Labels (PROWL)を提案する。
これは、ドメインデータセットのトレーニングを必要とせず、自己教師付き事前訓練モデルから関連する特徴を抽出することに依存する推論ベースの手法である。
ロードドライブベンチマークで提供されるRoadAnomalyとRoadObstacleのデータセットの最先端結果を達成する。
論文 参考訳（メタデータ） (2024-04-11T11:55:42Z) - HD Maps are Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization [12.45819412968954]
単一ソース領域一般化のためのHDマップを用いた新しい生成フレームワークを提案する。
我々のフレームワークは、+3.01%pの精度で、ドメイン適応モデルMLDAよりも優れていることを検証します。
論文 参考訳（メタデータ） (2023-11-28T08:15:27Z) - 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) - Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。
本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。
また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文 参考訳（メタデータ） (2023-06-16T18:56:44Z) - SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with
Efficient Labeled Data Factory [94.11898696478683]
ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。
本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
論文 参考訳（メタデータ） (2023-06-07T12:34:55Z) - Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data [40.43737902900321]
性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
論文 参考訳（メタデータ） (2023-03-26T13:15:44Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z)
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。