論文の概要: DVPSFormer: Efficient Online Depth-aware Video Panoptic Segmentation for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.26165v1
- Date: Tue, 28 Jul 2026 18:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.449131
- Title: DVPSFormer: Efficient Online Depth-aware Video Panoptic Segmentation for Autonomous Driving
- Title（参考訳）: DVPSFormer: 自律運転のための効率的なオンライン深度対応ビデオパノプティクスセグメンテーション
- Abstract要約: ビデオパノプティックセグメンテーション(DVPS)は、メートル法深度、セマンティックセグメンテーション、インスタンストラジェクトリを統一する。
既存のアプローチは計算コストがかかるマルチステージパイプラインやオフライントラッキングに依存しており、リアルタイムな意思決定には適さない。
DVPSFormerは、効率的な4Dシーン理解のために設計された統合されたオンラインアーキテクチャである。
- 参考スコア（独自算出の注目度）: 89.17723223258513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safe autonomous navigation requires a holistic understanding of dynamic environments, necessitating the simultaneous estimation of metric depth, semantic segmentation, and instance trajectories. While depth-aware video panoptic segmentation (DVPS) unifies these tasks, existing approaches often rely on computationally expensive, multi-stage pipelines or offline tracking, rendering them unsuitable for real-time decision-making. To address this, we propose DVPSFormer, a unified online architecture designed for efficient 4D scene understanding. Central to our approach is explicit scene discretization (ESD), a novel mechanism that leverages segmentation queries to represent foreground and background regions, enabling a discrete-to-continuous (D2C) depth head to decode metric depth in a single pass. This tightly couples semantic and geometric learning while significantly reducing latency. Furthermore, we propose an online majority voting (OMV) mechanism that exploits temporal consistency to refine classification during instance tracking. DVPSFormer establishes a new state-of-the-art on the Cityscapes-DVPS and SemKITTI-DVPS benchmarks, offering a streamlined solution for online robotic perception. Code and models are available at https://royyang0714.github.io/DVPSFormer.
- Abstract（参考訳）: 安全な自律ナビゲーションには、計量深度、セマンティックセグメンテーション、インスタンストラジェクトリの同時推定を必要とする、動的環境の全体的理解が必要である。
深度対応ビデオパノプティックセグメンテーション(DVPS)はこれらのタスクを統一するが、既存のアプローチは計算コストが高く、マルチステージパイプラインやオフライントラッキングに依存しており、リアルタイムな意思決定には適さない。
そこで本研究では,効率的な4Dシーン理解を目的とした統合型オンラインアーキテクチャDVPSFormerを提案する。
提案手法の中心となるのは明示的なシーン離散化(ESD)であり,前景と背景領域を表現するためにセグメンテーションクエリを利用する新しいメカニズムであり,離散的から連続的(D2C)深さヘッドにより1回のパスでメートル法深度を復号することができる。
これはセマンティックと幾何学的な学習を密結合し、レイテンシを大幅に削減する。
さらに、時間的一貫性を利用してインスタンス追跡中の分類を洗練させるオンライン多数決(OMV)機構を提案する。
DVPSFormerは、Cityscapes-DVPSとSemKITTI-DVPSベンチマークで新しい最先端技術を確立し、オンラインロボット知覚のための合理化されたソリューションを提供する。
コードとモデルはhttps://royyang0714.github.io/DVPSFormer.comで入手できる。
関連論文リスト
- DVGT-2: Vision-Geometry-Action Model for Autonomous Driving at Scale [63.05446464787182]
本稿では,高密度な3次元形状を自律運転のクリティカルキューとして提唱するビジョン・ジオメトリ・アクションのパラダイムを提案する。
本稿では,DVGT-2(Stream Driving Visual Geometry Transformer)を導入し,入力をオンラインに処理し,現行のフレームに対して高密度なジオメトリとトラジェクトリプランニングを共同で出力する。
高速にもかかわらず、DVGT-2は様々なデータセット上で優れた幾何再構成性能を達成する。
論文 参考訳（メタデータ） (2026-04-01T12:21:26Z) - SPORTS: Simultaneous Panoptic Odometry, Rendering, Tracking and Segmentation for Urban Scenes Understanding [0.0]
本稿では,全体像理解のための新しいフレームワーク SPORTS を提案する。
Video Panoptic (VPS)、Visual Odometry (VO)、Scene Renderingタスクを反復的で統一された視点に統合する。
我々の注意に基づく特徴融合は、計測、追跡、セグメンテーション、新しいビュータスクにおいて、既存の最先端の合成方法よりも優れています。
論文 参考訳（メタデータ） (2025-10-14T17:28:19Z) - MCDS-VSS: Moving Camera Dynamic Scene Video Semantic Segmentation by Filtering with Self-Supervised Geometry and Motion [17.50161162624179]
自動運転車は意思決定に信頼性のあるセマンティックな環境認識に依存している。
本稿では,カメラのシーン形状とエゴモーションを自己教師付きで学習する構造化フィルタモデルMCDS-VSSを提案する。
我々のモデルは自動車シーンを、シーン幾何学、エゴモーション、オブジェクトモーションなどの複数の解釈可能な表現に解析する。
論文 参考訳（メタデータ） (2024-05-30T10:33:14Z) - Vanishing-Point-Guided Video Semantic Segmentation of Driving Scenes [70.08318779492944]
私たちは、より効果的なセグメンテーションのために消滅点(VP)を最初に利用しました。
当社の新しいVSS用ネットワークであるVPSegには,この静的および動的VPプリエントを正確に利用する2つのモジュールが組み込まれています。
論文 参考訳（メタデータ） (2024-01-27T01:01:58Z) - Betrayed by Attention: A Simple yet Effective Approach for Self-supervised Video Object Segmentation [76.68301884987348]
自己教師型ビデオオブジェクトセグメンテーション(VOS)のための簡易かつ効果的なアプローチを提案する。
我々の重要な洞察は、DINO-pretrained Transformerに存在する構造的依存関係を利用して、ビデオ内の堅牢な時間分割対応を確立することである。
提案手法は,複数の教師なしVOSベンチマークにまたがる最先端性能を実証し,複雑な実世界のマルチオブジェクトビデオセグメンテーションタスクに優れることを示す。
論文 参考訳（メタデータ） (2023-11-29T18:47:17Z) - DVIS: Decoupled Video Instance Segmentation Framework [15.571072365208872]
ビデオインスタンスセグメンテーション(VIS)は、自律運転やビデオ編集を含む様々なアプリケーションにおいて重要なタスクである。
既存の手法は、主に2つの要因により、実世界の複雑なビデオや長いビデオでは性能が劣ることが多い。
分割,追跡,改良の3つの独立したサブタスクに分割することで,VISの分離戦略を提案する。
論文 参考訳（メタデータ） (2023-06-06T05:24:15Z) - A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented,
Temporal and Depth-aware design [77.34726150561087]
我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。
私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
論文 参考訳（メタデータ） (2023-03-08T01:29:55Z) - MonoDVPS: A Self-Supervised Monocular Depth Estimation Approach to
Depth-aware Video Panoptic Segmentation [3.2489082010225494]
単眼深度推定とビデオパノプティックセグメンテーションを行うマルチタスクネットワークを用いた新しいソリューションを提案する。
トレーニング信号の劣化を回避するため,物体を移動させるための新しいパノプティカルマスキング方式と,パノプティカル誘導による奥行き損失を導入した。
論文 参考訳（メタデータ） (2022-10-14T07:00:42Z) - PanopticDepth: A Unified Framework for Depth-aware Panoptic Segmentation [41.85216306978024]
深度認識型パノプティックセグメンテーション(DPS)のための統合フレームワークを提案する。
インスタンス固有のカーネルを生成し、各インスタンスの深さとセグメンテーションマスクを予測する。
我々は,新たな深度損失による深度学習の監視を支援するために,インスタンスレベルの深度手がかりを追加する。
論文 参考訳（メタデータ） (2022-06-01T13:00:49Z) - Polyline Based Generative Navigable Space Segmentation for Autonomous
Visual Navigation [57.3062528453841]
ロボットが教師なしの方法で移動可能な空間分割を学習できるようにするための表現学習ベースのフレームワークを提案する。
提案するPSV-Netは,単一のラベルを使わずとも,高精度で視覚ナビゲーション可能な空間を学習可能であることを示す。
論文 参考訳（メタデータ） (2021-10-29T19:50:48Z)
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。