論文の概要: Safety-oriented sidewalk and road segmentation for smartphone-based assistive navigation
- arxiv url: http://arxiv.org/abs/2607.21137v1
- Date: Thu, 23 Jul 2026 10:16:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.371723
- Title: Safety-oriented sidewalk and road segmentation for smartphone-based assistive navigation
- Title（参考訳）: スマートフォンを用いた補助ナビゲーションのための安全指向歩道と道路セグメンテーション
- Abstract要約: 視覚障害者(BVIP)にとって自立歩道移動は不可欠である
本研究では,将来の移動誘導のための安全指向セマンティックセマンティックセマンティクスフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.761050354392752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Independent sidewalk mobility is essential for blind and visually impaired pedestrians (BVIPs), yet smartphone-based assistive navigation requires perception models that distinguish walkable sidewalks from adjacent unsafe regions. This study presents a safety-oriented semantic segmentation framework for future mobile guidance. We introduce SENSATION-DS, a chest-height pedestrian-view dataset with 2,752 image-mask pairs and nine-class navigation-relevant taxonomy. External urban and sidewalk datasets were harmonized to this label space, and five segmentation architectures were evaluated using staged target-domain adaptation with mask-conditioned synthetic images and Segment Anything Model 2 (SAM2) pseudo-labels. Models were assessed using mean Intersection over Union (mIoU), road- and sidewalk-specific metrics, Road-as-Sidewalk Error Rate as a proxy false-safe measure, and Android Open Neural Network Exchange benchmarking. Synthetic augmentation generally improved segmentation accuracy, whereas SAM2 pseudo-labels more consistently reduced Road-as-Sidewalk errors. UPerNet-MobileNetV3 achieved the highest offline mIoU (0.715 +/- 0.006), while DeepLabV3Plus-MobileNetV3 achieved the lowest Road-as-Sidewalk Error Rate (0.079) and highest Android runtime at 512x384 (7.383 FPS). These results show that assistive sidewalk perception should be evaluated jointly by segmentation accuracy, proxy false-safe behavior, and smartphone deployment feasibility, while real-world benefit requires validation with BVIP users. This evaluation supports selecting models that balance accurate perception, conservative error behavior, and practical runtime.
- Abstract（参考訳）: 視覚障害のある歩行者(BVIP)にとって、独立した歩道移動は不可欠であるが、スマートフォンベースの補助ナビゲーションでは、歩行可能な歩道と隣接する安全でない地域を区別する知覚モデルが必要である。
本研究では,将来の移動誘導のための安全指向セマンティックセマンティックセマンティクスフレームワークを提案する。
SENSATION-DSは2,752対のイメージマスクと9クラスのナビゲーション関連分類を持つ胸部高度歩行者ビューデータセットである。
また, マスク条件の合成画像とSegment Anything Model 2 (SAM2) の擬似ラベルを用いて, 5つのセグメンテーションアーキテクチャを評価した。
モデルは、平均的Union(mIoU)、道路および歩道固有のメトリクス、プロキシの偽安全指標としてのロード・アズ・サイドウォークエラーレート、Android Open Neural Network Exchangeベンチマークを用いて評価された。
合成拡張は一般的にセグメンテーションの精度を向上し、SAM2擬似ラベルはより一貫してロード・アズ・シドウォークの誤差を減少させた。
UPerNet-MobileNetV3はmIoU (0.715 +/- 0.006)、DeepLabV3Plus-MobileNetV3はRoad-as-Sidewalk Error Rate (0.079)、Androidランタイムは512x384 (7.383 FPS)を達成した。
これらの結果から,BVIPユーザによる検証は現実の利益が要求されるのに対して,補助歩道の認識はセグメンテーション精度,偽安全行動のプロキシ,スマートフォンの展開可能性によって共同で評価されるべきであることが示唆された。
この評価は、正確な知覚、保守的なエラー行動、実用的なランタイムのバランスをとるモデルの選択をサポートする。
関連論文リスト
- CrossTracer: Cross-Embodiment Navigation via VLA Model Reasoning and Trace Residuals Adapting [51.52109090141233]
CrossTracerは、クロスボディナビゲーションのための階層的なフレームワークである。
セマンティック推論と物理接地の間に統一的なピクセル空間インターフェースを形成する。
そこで,NaviTraceベンチマークを用いてCrossTracerの評価を行った。
論文 参考訳（メタデータ） (2026-08-07T01:24:53Z) - SidewalkBench: Benchmarking Visual Navigation on Urban Sidewalks [42.24473258670519]
SidewalkBenchは、都市歩道のビジュアルナビゲーション用に設計された総合的なベンチマークである。
SidewalkBenchはNVIDIA Isaac Simをベースとして、多様な高忠実な歩道環境のGPU加速シミュレーションを提供する。
330の単体テストシナリオ,800の歩行者反応性シナリオ,105の長距離シナリオにおいて,9つの視覚ナビゲーションモデルを包括的に評価する。
論文 参考訳（メタデータ） (2026-06-15T16:54:30Z) - Face Presentation Attack Detection via Content-Adaptive Spatial Operators [3.502729154227436]
本稿では,RGBのみの単一フレームモデルを提案する。
CaSO-PADは軽量であり(3.6Mパラメータ; 0.64 GFLOPs at $256times256$)、標準的なバイナリクロスエントロピーの目的を用いてエンドツーエンドに訓練されている。
論文 参考訳（メタデータ） (2026-02-21T22:13:31Z) - TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving [70.85436371436184]
TopoStreamerは、レーンセグメントトポロジー推論のためのエンドツーエンドの時間知覚モデルである。
TopoStreamerは、ストリーミング属性制約、動的レーン境界位置エンコーディング、およびレーンセグメントのデノイングという3つの重要な改善点を紹介している。
Open-Lane-V2データセットでは、TopoStreamerが最先端のメソッドよりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-07-01T12:10:46Z) - Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳（メタデータ） (2024-04-11T10:26:40Z) - 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) - "Is not the truth the truth?": Analyzing the Impact of User Validations
for Bus In/Out Detection in Smartphone-based Surveys [5.449283796175882]
本稿では,半制御環境におけるヒューマン・コンピュータインタラクションの実験環境について述べる。
2つのルートで走行する2台の自動運転車で、3つのバス停と18人のユーザー、および独自のスマートフォンとBluetoothセンサープラットフォームを提供する。
我々は,スマートフォン調査で知られているように,ラベル付け過程におけるヒューマンエラーをエミュレートするために,ラベルフリップのモンテカルロシミュレーションを行った。
論文 参考訳（メタデータ） (2022-02-24T08:48:40Z) - Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep
Generative Approach with Attention [9.442285577226606]
交差点における相互作用検出のための条件生成モデルを提案する。
道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。
モデルの有効性は実世界のデータセットでテストすることによって検証された。
論文 参考訳（メタデータ） (2021-05-09T10:03:55Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - MobileDets: Searching for Object Detection Architectures for Mobile
Accelerators [61.30355783955777]
逆ボトルネック層は、モバイルデバイス上の最先端のオブジェクト検出モデルにおいて、主要なビルディングブロックとなっている。
通常の畳み込みは、アクセラレーターにおけるオブジェクト検出の遅延精度トレードオフを高める強力なコンポーネントである。
我々は、モバイルアクセラレーター全体で最先端の成果を得られるオブジェクト検出モデル、MobileDetsのファミリーを得る。
論文 参考訳（メタデータ） (2020-04-30T00:21:30Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。