論文の概要: GFSR: Geometric Fidelity and Spatial Refinement for Reliable Lane Detection

• arxiv url: http://arxiv.org/abs/2605.23327v2
• Date: Tue, 26 May 2026 08:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:40.976306
• Title: GFSR: Geometric Fidelity and Spatial Refinement for Reliable Lane Detection
• Title（参考訳）: GFSR: 信頼性レーン検出のための幾何学的忠実度と空間的微細化
• Authors: Tiancheng Wang, Zhaolu Ding, Richeng Xu, Tianhui Zheng, Hui Liu, Hanyu Xuan, Zhiliang Wu, Guanghui Yue,
• Abstract要約: 我々はLaneIoU誘導幾何信頼とAdaptive Gated Location Refinement(AGLR)からなるフレームワークを提案する。 LCCは、レーン先行の幾何学的忠実度を明示的に推定するために、LaneIoUをソフト監視として採用している。 AGLRはサンプリングポイント側オフセットを予測し、補正サイズを適応的に調整するゲーティング機構を採用する。
• 参考スコア（独自算出の注目度）: 23.609874711431733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane detection stands as a crucial perception task in autonomous driving and advanced driver assistance systems. However, existing methods still degrade in complex real scenarios due to two major limitations. First, classification confidence only characterizes the categorical existence of lane priors and has no strong correlation with geometric quality. If threshold filtering and NMS are conducted merely based on this confidence, the model tends to retain lane priors with high confidence while eliminating those with lower confidence but superior geometric representation. Secondly, the regression modules in existing methods weaken correlations among sampling points, hindering fine-grained optimization of distant, high-curvature and complex-topology lanes and causing underfitting. To address these issues, we propose Geometric Fidelity and Spatial Refinement (GFSR), a framework consisting of LaneIoU-guided Confidence Calibration (LCC) and Adaptive Gated Location Refinement (AGLR). Specifically, LCC adopts LaneIoU as soft supervision to explicitly estimate the geometric fidelity of lane priors, which is further fused with classification confidence to construct the Collaborative Reliability Index (CRI). This index guides lane prior filtering, effectively retaining those with high classification confidence and favorable geometric quality. Meanwhile, cooperating with regression heads in each refinement stage, AGLR predicts sampling point lateral offsets and adopts a gating mechanism to adaptively regulate correction magnitude, strengthen inter-point correlations and boost model adaptability as well as robustness toward complex lane scenarios. Extensive experiments on CULane and CurveLanes demonstrate that our GFSR achieves state-of-the-art performance on CULane, with F1_50 and F1_75 scores of 81.46% and 65.01%, and reaches 87.35% F1_50 on CurveLanes.
• Abstract（参考訳）: 車線検出は、自動運転と先進運転支援システムにおいて重要な認識課題である。 しかし、既存のメソッドは2つの大きな制限があるため、複雑な実シナリオでは依然として劣化している。 第一に、分類信頼度はレーン先行のカテゴリー的存在を特徴付けるだけであり、幾何学的品質と強い相関関係は持たない。 しきい値フィルタリングとNMSが単にこの信頼度に基づいて行われる場合、モデルはより低い信頼度と優れた幾何表現を排除しながら、高い信頼度でレーン先行を保ちがちである。 第二に、既存の手法の回帰モジュールはサンプリング点間の相関を弱め、遠距離・高曲率・複素位相レーンのきめ細かい最適化を妨げ、不適合を引き起こす。 これらの課題に対処するために,LaneIoU-guided Confidence Calibration (LCC) とAdaptive Gated Location Refinement (AGLR) から構成されるフレームワークであるGeometric Fidelity and Space Refinement (GFSR)を提案する。 特に、LCCはLaneIoUをソフト・インスペクションとして採用し、レーン先行の幾何学的忠実度を明示的に推定し、さらに分類信頼性と融合して協調信頼性指数(CRI)を構築する。 このインデックスは、レーン前のフィルタリングをガイドし、高い分類信頼性と良好な幾何学的品質を有するものを効果的に保持する。 一方、各改良段階における回帰ヘッドと協調し、サンプリングポイント側オフセットを予測し、補正サイズを適応的に調整し、点間相関を強化し、モデル適応性を高め、複雑なレーンシナリオに向けた堅牢性を高めるゲーティング機構を採用する。 CULaneとCurveLanesの大規模な実験により、我々のGFSRはCULaneの最先端のパフォーマンスを達成し、F1_50とF1_75のスコアは81.46%、65.01%、CurveLanesのF1_50は87.35%に達した。

関連論文リスト

• OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
  我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。 我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
  論文  参考訳（メタデータ） (2026-05-19T04:13:27Z)
• Confidence Geometry Reveals Trace-Level Correctness in Large Language Model Reasoning [5.094079537924077]
  信頼性トラジェクトリは、誤った推論トレースから正解であることを示す。 正確性関連情報は推論の尾に富む。 本稿では,信頼度評価のための信頼軌道から学習する軽量な推定器であるNeuralConfを提案する。
  論文  参考訳（メタデータ） (2026-05-16T05:57:00Z)
• Process Supervision of Confidence Margin for Calibrated LLM Reasoning [52.373121066425455]
  強化学習(RL)によるテスト時間計算のスケーリングは,大規模言語モデル(LLM)推論能力を向上させるための信頼性の高い経路として登場した。 しかし、結果に基づく報酬は、しばしばモデルに過信感を与え、幻覚、信頼できない信頼ベースの制御、不要な計算割り当てをもたらす。 本稿では,信頼性と信頼性を両立させるキャリブレーションを意識したRLフレームワークであるReinforcement Learning with Confidence Margin(textbfRLCM)を紹介する。
  論文  参考訳（メタデータ） (2026-04-25T14:40:13Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Less Approximates More: Harmonizing Performance and Confidence Faithfulness via Hybrid Post-Training for High-Stakes Tasks [52.81286869496811]
  大規模な言語モデルは、自信を持って不正確な推論が現実世界の害を引き起こすような、ハイテイクなタスクにますますデプロイされている。 内的フィードバックからの教師なし強化学習と推論・トラス誘導型推論蒸留を併用して協調的に最適化することを提案する。 PRG方式のメトリクスを用いてRDとRLIFを適応的に重み付けするハイブリッドポストトレーニングフレームワークであるHyTuningを紹介する。
  論文  参考訳（メタデータ） (2026-04-09T16:50:11Z)
• Optimizing Chain-of-Thought Confidence via Topological and Dirichlet Risk Analysis [3.4324137096523746]
  チェーン・オブ・シークレットのプロンプトにより、大規模言語モデルは複雑な問題を解決することができる。 既存の手法では、誤った予測に対するキャリブレーションの低下と深刻な過信に悩まされている。 複数の推論経路にまたがる信頼度を測定するために,拡張ディリクレ・トポロジーリスク(EDTR)を提案する。
  論文  参考訳（メタデータ） (2025-11-09T16:09:02Z)
• Confidence-Aware Routing for Large Language Model Reliability Enhancement: A Multi-Signal Approach to Pre-Generation Hallucination Mitigation [0.0]
  大規模言語モデルは幻覚に悩まされ、可視だが事実的に誤った内容を生成する。 現在の緩和戦略は、計算コストが高く、信頼性の低いコンテンツ生成を防げない、ポストジェネレーション補正に重点を置いている。 本稿では,予測された信頼性に基づいて,モデルの不確実性を積極的に評価し,クエリをリダイレクトする信頼度対応ルーティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-09-23T18:34:20Z)
• Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks [10.177917426690701]
  本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
  論文  参考訳（メタデータ） (2025-05-02T11:01:00Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)

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。