論文の概要: Railway Artificial Intelligence Learning Benchmark (RAIL-BENCH): A Benchmark Suite for Perception in the Railway Domain

• arxiv url: http://arxiv.org/abs/2604.22507v1
• Date: Fri, 24 Apr 2026 12:37:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.457663
• Title: Railway Artificial Intelligence Learning Benchmark (RAIL-BENCH): A Benchmark Suite for Perception in the Railway Domain
• Title（参考訳）: 鉄道人工知能学習ベンチマーク(RAIL-BENCH):鉄道領域における知覚のためのベンチマークスイート
• Authors: Annika Bätz, Pavel Klasek, Seo-Young Ham, Philipp Neumaier, Martin Köppel, Martin Lauer,
• Abstract要約: レイル・ベンチ(RAIL-BENCH)は、鉄道分野における最初の知覚ベンチマークスイートである。 レールトラック検出、オブジェクト検出、植生セグメンテーション、マルチオブジェクトトラッキング、モノクロビジュアル・オドメトリーの5つの課題を含む。 LineAPは、ポリリン予測の幾何学的精度を評価する新しいセグメントベース平均精度指標である。
• 参考スコア（独自算出の注目度）: 1.342309454877223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated train operation on existing railway infrastructure requires robust camera-based perception, yet the railway domain lacks public benchmark suites with standardized evaluation protocols that would enable reproducible comparison of approaches. We present RAIL-BENCH, the first perception benchmark suite for the railway domain. It comprises five challenges - rail track detection, object detection, vegetation segmentation, multi-object tracking, and monocular visual odometry - each tailored to the specific characteristics of railway environments. RAIL-BENCH provides curated training and test datasets drawn from diverse real-world scenarios, evaluation metrics, and public scoreboards (https://www.mrt.kit.edu/railbench). For the rail track detection challenge we introduce LineAP, a novel segment-based average precision metric that evaluates the geometric accuracy of polyline predictions independently of instance-level grouping, addressing key limitations of existing line detection metrics.
• Abstract（参考訳）: 既存の鉄道インフラ上での列車の自動運転には、カメラによる認識が不可欠であるが、鉄道領域では、再現可能なアプローチ比較を可能にする標準化された評価プロトコルを備えた公開ベンチマークスイートが欠如している。 鉄道分野における最初の知覚ベンチマークスイートである RAIL-BENCH を紹介する。 鉄道線路の検出、物体検出、植生のセグメンテーション、多物体追跡、モノクロ視覚計測の5つの課題で構成されており、それぞれが鉄道環境の特色に合わせている。 RAIL-BENCHは、さまざまな実世界のシナリオ、評価指標、公開スコアボード(https://www.mrt.kit.edu/railbench)から抽出されたトレーニングとテストデータセットを提供する。 レールトラック検出の課題としてLineAPを導入する。これはセグメントベースの平均精度測定であり,実例レベルのグルーピングとは無関係にポリライン予測の幾何的精度を評価し,既存のライン検出指標の重要な限界に対処する。

関連論文リスト

• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• Ultra-Fast Adaptive Track Detection Network [4.873803159184741]
  本稿では,超高速適応トラック検出ネットワークを提案する。 SRailデータセットのF1スコアは98.68%、検出レートは473 FPSである。
  論文  参考訳（メタデータ） (2024-05-22T11:19:26Z)
• 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)
• Wooden Sleeper Deterioration Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs [0.0]
  本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。 畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。 曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
  論文  参考訳（メタデータ） (2023-05-09T00:16:49Z)
• TPE-Net: Track Point Extraction and Association Network for Rail Path Proposal Generation [1.9181913148426697]
  本稿では,TPE-Netと呼ばれる畳み込み型エンコーダデコーダアーキテクチャを提案する。 カメラパラメータや3Dデータ、幾何学的制約に依存することなく、強力な鉄道経路仮説を生成する。
  論文  参考訳（メタデータ） (2023-02-11T22:49:06Z)
• Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method [7.557470133155959]
  本研究では,鉄道軌道画像のみを必要とする半教師付き畳み込みオートエンコーダに基づくフレームワークを開発した。 提案するフレームワークは,IoT(Internet-of-Things)システムのデータ分析に有用である。
  論文  参考訳（メタデータ） (2021-08-05T07:32:23Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。