論文の概要: AURASeg: Attention Guided Upsampling with Residual Boundary-Assistive Refinement for Drivable-Area Segmentation

• arxiv url: http://arxiv.org/abs/2510.21536v1
• Date: Fri, 24 Oct 2025 15:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.514123
• Title: AURASeg: Attention Guided Upsampling with Residual Boundary-Assistive Refinement for Drivable-Area Segmentation
• Title（参考訳）: AURASeg:ドライビング・エリア・セグメンテーションにおける残留境界補助リファインメントによる注意ガイド付きアップサンプリング
• Authors: Narendhiran Vijayakumar, Sridevi. M,
• Abstract要約: セマンティックセグメンテーションのための残留境界支援リファインメント(AURASeg)を用いたアテンションガイドアップサンプリングを提案する。 提案手法は,<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>の2。
• 参考スコア（独自算出の注目度）: 0.5729426778193399
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Free space ground segmentation is essential to navigate robots and autonomous vehicles, recognize drivable zones, and traverse efficiently. Fine-grained features remain challenging for existing segmentation models, particularly for robots in indoor and structured environments. These difficulties arise from ineffective multi-scale processing, suboptimal boundary refinement, and limited feature representation. In order to overcome these limitations, we propose Attention-Guided Upsampling with Residual Boundary-Assistive Refinement (AURASeg), a ground-plane semantic segmentation model that maintains high segmentation accuracy while improving border precision. Our method uses CSP-Darknet backbone by adding a Residual Border Refinement Module (RBRM) for accurate edge delineation and an Attention Progressive Upsampling Decoder (APUD) for strong feature integration. We also incorporate a lightweight Atrous Spatial Pyramid Pooling (ASPP-Lite) module to ensure multi-scale context extraction without compromising real-time performance. The proposed model beats benchmark segmentation architectures in mIoU and F1 metrics when tested on the Ground Mobile Robot Perception (GMRP) Dataset and a custom Gazebo indoor dataset. Our approach achieves an improvement in mean Intersection-over-Union (mIoU) of +1.26% and segmentation precision of +1.65% compared to state-of-the-art models. These results show that our technique is feasible for autonomous perception in both indoor and outdoor environments, enabling precise border refinement with minimal effect on inference speed.
• Abstract（参考訳）: 自由空間のセグメンテーションは、ロボットや自動運転車をナビゲートし、乾燥可能なゾーンを認識し、効率的に移動するために不可欠である。 既存のセグメンテーションモデル、特に屋内および構造環境におけるロボットにとって、きめ細かい機能は依然として困難である。 これらの困難は、非効率なマルチスケール処理、最適下界改善、限られた特徴表現から生じる。 これらの制限を克服するために, 境界精度を向上しつつ高いセグメンテーション精度を維持する地上面セグメンテーションモデルであるAURASeg(Residual Boundary-Assistive Refinement)を提案する。 本手法では, エッジの正確なデライン化のためのResidual Border Refinement Module (RBRM) と, 強力な機能統合のためのAttention Progressive Upsampling Decoder (APUD) を付加することで, CSP-Darknetのバックボーンを使用する。 また,ASPP-Lite(Atrous Space Pyramid Pooling)モジュールを組み込んで,リアルタイム性能を損なうことなく,マルチスケールのコンテキスト抽出を実現する。 提案モデルでは,Garth Mobile Robot Perception (GMRP) Datasetと独自のGazebo屋内データセットでテストした結果,mIoUとF1メトリクスのベンチマークセグメンテーションアーキテクチャを上回った。 提案手法は,<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>の2。 これらの結果から,本手法は屋内環境と屋外環境の両方において自律的な認識が可能であり,推論速度に最小限の影響を伴って精度の高い境界精錬が可能であることが示唆された。

関連論文リスト

• MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
  モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。 資源制約されたプラットフォームにおける高い計算コスト制限。 我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-10-16T18:00:00Z)
• Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation [13.83897333268682]
  宇宙船のポース推定は、ランデブー、ドッキング、軌道上のドッキングのような自律的な宇宙活動の基本的な能力である。 既存のドメイン適応アプローチは、この問題を軽減することを目的としているが、ラベル付きターゲットサンプルの少ない数が利用できる場合、しばしば性能が低下する。 本稿では,SPEキーポイント回帰に適したSDA(Supervised Domain Adaptation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-17T08:03:05Z)
• Inter2Former: Dynamic Hybrid Attention for Efficient High-Precision Interactive [58.0729162588429]
  インタラクティブセグメンテーションは、ユーザプロンプトからターゲット領域をセグメンテーションすることで、アノテーション効率を向上させる。 現在のアプローチは重要なトレードオフに直面している。密度の高いメソッドは精度が向上するが、CPUデバイスでの処理が著しく遅くなる。 そこで我々は,高密度な処理における計算割り当てを最適化することで,この問題に対処するInter2Formerを提案する。
  論文  参考訳（メタデータ） (2025-07-13T12:33:37Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• A Deep Learning Framework for Boundary-Aware Semantic Segmentation [9.680285420002516]
  本研究では境界拡張機能ブリッジングモジュール(BEFBM)を用いたMask2Formerに基づくセマンティックセマンティックセマンティクスアルゴリズムを提案する。 提案手法は,mIOU,mDICE,mRecallなどのメトリクスを大幅に改善する。 ビジュアル分析は、きめ細かい領域におけるモデルの利点を裏付ける。
  論文  参考訳（メタデータ） (2025-03-28T00:00:08Z)
• Efficient Multi-Instance Generation with Janus-Pro-Dirven Prompt Parsing [53.295515505026096]
  Janus-Pro-driven Prompt Parsingは、テキスト理解とレイアウト生成をブリッジするプロンプト解析モジュールである。 MIGLoRAはパラメータ効率の良いプラグインで、低ランク適応を UNet (SD1.5) と DiT (SD3) のバックボーンに統合する。 提案手法はパラメータ効率を維持しつつCOCOおよびLVISベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-27T00:59:14Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Mobile-Seed: Joint Semantic Segmentation and Boundary Detection for Mobile Robots [17.90723909170376]
  セマンティックセグメンテーションと境界検出を同時に行う軽量なフレームワークであるMobile-Seedを紹介する。 我々のフレームワークは、2ストリームエンコーダ、アクティブフュージョンデコーダ(AFD)、デュアルタスク正規化アプローチを備えている。 Cityscapesデータセットの実験によると、Mobile-Seedは最先端(SOTA)ベースラインよりも顕著に改善されている。
  論文  参考訳（メタデータ） (2023-11-21T14:53:02Z)

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。