論文の概要: Object Detection for Autonomous Driving in Chinese Rural Scenes: An Experimental Study on Real-Synthetic Data Mixing and Model Evaluation
- arxiv url: http://arxiv.org/abs/2607.27058v1
- Date: Wed, 29 Jul 2026 15:49:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.730306
- Title: Object Detection for Autonomous Driving in Chinese Rural Scenes: An Experimental Study on Real-Synthetic Data Mixing and Model Evaluation
- Title（参考訳）: 中国農村部における自律走行物体検出:実合成データ混合とモデル評価に関する実験的検討
- Abstract要約: 本研究では,中国農村道路に特化して開発された実合成混合物体検出データセットを提案する。
我々のデータセットは、河南省西郡で撮影された現実世界の画像と、Unreal Engineで生成されたパラメータ化された仮想シーンを組み合わせる。
統一的なトレーニングプロトコルの下で、13の主流検出器を3つのデータ構成で評価する。
- 参考スコア（独自算出の注目度）: 7.412892097616196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, autonomous driving object detection models face significant data scarcity and generalization challenges when navigating complex Chinese rural traffic scenarios. To address these limitations, we propose a novel real-synthetic mixed object detection dataset tailored specifically for Chinese rural roads and systematically evaluate the performance of 13 mainstream detectors under different real-to-synthetic data ratios, thereby providing empirical evidence for model selection and data strategy design in rural autonomous driving scenarios. Our dataset combines real-world images captured in Weishi County, Henan Province, with parameterized virtual scenes generated via Unreal Engine. To accurately reflect the unique realities of rural traffic, we define a comprehensive 14-category object system encompassing region-specific elements such as electric tricycles, low-speed vehicles (LSVs), and roadside stalls. Under a unified training protocol, we systematically evaluate 13 mainstream detectors -- spanning the YOLOv5, YOLOv8, YOLO11, and YOLO26 series, as well as RT-DETR-L -- across three data configurations: an all-real baseline, a 1:0.5 real-to-virtual mix, and a 1:1 mix. Experimental results demonstrate that a moderate injection of synthetic data (1:0.5 ratio) effectively enhances detection performance, with YOLO11m achieving the highest mAP@0.5 of 0.758. However, a higher proportion of synthetic data (1:1) introduces domain shifts that offset the benefits of data scaling. While most models reliably identify distinct local vehicles, significant perceptual bottlenecks remain for long-tail, non-standard objects like stalls and railings. This research provides crucial empirical evidence and novel insights for model selection and synthetic data strategies, facilitating the practical deployment of autonomous driving perception systems in rural areas.
- Abstract（参考訳）: 現在、自律走行物体検出モデルは、複雑な中国の農村交通シナリオをナビゲートする際に、データ不足と一般化の課題に直面している。
これらの制約に対処するため、中国農村に特化して設計された新しい実合成混合物体検出データセットを提案し、実合成データ比の異なる13の主流検出器の性能を体系的に評価し、農村の自律運転シナリオにおけるモデル選択とデータストラテジー設計の実証的証拠を提供する。
我々のデータセットは、河南省西郡で撮影された現実世界の画像と、Unreal Engineで生成されたパラメータ化された仮想シーンを組み合わせる。
地方交通の特異点を正確に反映するために、電気三輪車、低速車(LSV)、路傍の屋台などの地域固有の要素を含む包括的14カテゴリーのオブジェクトシステムを定義した。
統一されたトレーニングプロトコルの下で、13の主流検出器(YOLOv5, YOLOv8, YOLO11, YOLO26)とRT-DETR-L(RT-DETR-L)の3つのデータ構成を体系的に評価した。
実験の結果, 合成データの適度な注入(1:0.5比)は検出性能を効果的に向上し, YOLO11mは0.758のmAP@0.5の最高値に達した。
しかし、より多くの合成データ(1:1)は、データスケーリングの利点を相殺するドメインシフトを導入します。
ほとんどのモデルは、異なるローカル車両を確実に識別するが、重要な知覚的ボトルネックは、屋台や手すりのような標準でない物体のロングテールである。
本研究は、モデル選択と合成データ戦略のための重要な実証的証拠と新たな洞察を提供し、農村部における自律運転認識システムの実践的展開を促進する。
関連論文リスト
- MINT-V2X: A Mobility-Integrated Network Trajectory Dataset for Predictive Resource Management [0.8717253904965373]
本稿では,SUMOトラフィックダイナミクスとOMNeT++/Simu5Gネットワークシミュレーションを結合した包括的データセットであるMINT-V2Xを紹介する。
結果として得られたデータセットには、都市交通シミュレーションの3時間の間に15の道路ユニット(RSU)から1,386台の車両から987万の同期データポイントが含まれている。
論文 参考訳（メタデータ） (2026-06-26T17:29:05Z) - DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving [49.11389494068169]
我々は、生成駆動世界モデルのための最初の総合的なベンチマークであるDrivingGenを提示する。
DrivingGenは、駆動データセットとインターネットスケールのビデオソースの両方から収集されたさまざまな評価データセットを組み合わせる。
一般的なモデルは良く見えるが物理を破るが、運転に特化したものは現実的に動きを捉えているが、視界の質は遅れている。
論文 参考訳（メタデータ） (2026-01-04T13:36:21Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Unraveling the Effects of Synthetic Data on End-to-End Autonomous Driving [35.49042205415498]
SceneCrafterは3Dガウススプレイティングに基づくリアルでインタラクティブで効率的な自動運転シミュレータである(3DGS)。
SceneCrafterは、さまざまなトラフィックシナリオにわたる現実的な運転ログを効率的に生成する。
また、エンドツーエンドモデルの堅牢なクローズドループ評価を可能にする。
論文 参考訳（メタデータ） (2025-03-23T15:27:43Z) - Learning to Drive by Imitating Surrounding Vehicles [0.8902959815221526]
本研究では、周辺車両の観測軌道を利用したデータ拡張戦略を実証実験として検討する。
本稿では,情報的かつ多様な運転行動を優先する簡易な車両選択サンプリングとフィルタリング手法を提案する。
具体的には、このアプローチは衝突率を低減し、ベースラインと比較して安全性の指標を改善する。
論文 参考訳（メタデータ） (2025-03-08T00:40:47Z) - Synth It Like KITTI: Synthetic Data Generation for Object Detection in Driving Scenarios [3.30184292168618]
本稿では,LiDAR点雲上での3次元物体検出のためのCARLAシミュレータに基づくデータセット生成パイプラインを提案する。
我々は、合成データに基づいてオブジェクト検出器を訓練し、KITTIデータセットに強力な一般化能力を示すことができる。
論文 参考訳（メタデータ） (2025-02-20T22:27:42Z) - Domain Generalization in Autonomous Driving: Evaluating YOLOv8s, RT-DETR, and YOLO-NAS with the ROAD-Almaty Dataset [0.0]
本研究では,カザフスタンのユニークな運転環境における3つの最先端物体検出モデル(YOLOv8s, RT-DETR, YOLO-NAS)の領域一般化能力について検討した。
モデルの性能を再トレーニングせずに評価する。
論文 参考訳（メタデータ） (2024-12-16T20:42:26Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z) - StRDAN: Synthetic-to-Real Domain Adaptation Network for Vehicle
Re-Identification [16.14221315208939]
車両の再識別は、車両の画像から同じ車両を取得することを目的としている。
これは、市内の交通の流れを分析し予測するのには不可欠である。
本稿では,低コストで大規模な合成・実データを用いて学習し,性能を向上させる合成・実領域適応ネットワーク(StRDAN)を提案する。
論文 参考訳（メタデータ） (2020-04-25T01:00:30Z)
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。