論文の概要: One-Stage Object Detectors in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2608.19014v1
- Date: Wed, 19 Aug 2026 15:13:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.438573
- Title: One-Stage Object Detectors in Autonomous Driving
- Title（参考訳）: 自律運転におけるワンステップ物体検出装置
- Abstract要約: 本稿では,自動運転のための一段階物体検出器の探索と解析を行う。
YOLOv1、SSD、RetinaNet、EfficientDet、FCOSやCenterNetのようなアンカーフリー検出器、そして最近のYOLOv10のようなリアルタイムモデルを含む主要な一段検出器の進化をレビューする。
全体として、この調査は、ワンステージ検出器が速度、精度、効率、頑健さのバランスを保ちながら、ベンチマーク結果と信頼性の高い現実の自動運転性能の間の残りのギャップを強調している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Autonomous vehicles depend on fast and reliable perception systems to detect surrounding vehicles, pedestrians, cyclists, traffic signs, and other road objects in real time. This paper presents a comprehensive survey and analysis of one-stage object detectors for autonomous driving rather than an implementation of a new detection system. The survey reviews the evolution of major one-stage detectors, including YOLOv1, SSD, RetinaNet, EfficientDet, anchor-free detectors such as FCOS and CenterNet, and recent real-time models such as YOLOv10. It compares these architectures through their design choices, feature-fusion strategies, loss functions, deployment trade-offs, and reported benchmark performance. The paper also summarizes commonly used autonomous-driving datasets, evaluation metrics, open challenges, and future research directions. Overall, this survey highlights how one-stage detectors balance speed, accuracy, efficiency, and robustness, while also emphasizing the remaining gap between benchmark results and dependable real-world autonomous-driving performance.
- Abstract（参考訳）: 自動運転車は、周囲の車、歩行者、サイクリスト、交通標識、その他の道路物体をリアルタイムで検出するために、高速で信頼性の高い認識システムに依存している。
本稿では,新しい検出システムの実装ではなく,自動運転のための一段階物体検出装置の総合的な調査と解析を行う。
調査では、YOLOv1、SSD、RetinaNet、EfficientDet、FCOSやCenterNetなどのアンカーフリー検出器、YOLOv10のような最近のリアルタイムモデルなど、主要な1段階検出器の進化についてレビューしている。
設計選択、機能融合戦略、損失関数、デプロイメントトレードオフ、報告されたベンチマークパフォーマンスを通じて、これらのアーキテクチャを比較します。
論文ではまた、一般的に使用されている自動運転データセット、評価指標、オープンチャレンジ、将来の研究方向性についても要約している。
全体として、この調査は、ワンステージ検出器が速度、精度、効率、頑健さのバランスを保ちながら、ベンチマーク結果と信頼性の高い現実の自動運転性能の間の残りのギャップを強調している。
関連論文リスト
- A Multi-Modal Perception Pipeline for Object Detection and Tracking in Autonomous Racing [1.3281177137699656]
本稿では,自律走行領域における物体検出と追跡のためのマルチモーダル遅延融合認識パイプラインを提案する。
カメラ、LiDAR、RADARからの独立検出は、周囲の車両のタイムリーで堅牢な状態推定を提供するために組み合わせられる。
追従法は、車両のダイナミックスや軌道レイアウトの知識を前に、検出遅延とモデルへの埋め込みを明示的に補償する。
論文 参考訳（メタデータ） (2026-09-08T07:11:38Z) - Deep Learning-Based Object Detection for Autonomous Vehicles: A Comparative Study of One-Stage and Two-Stage Detectors on Basic Traffic Objects [0.0]
本研究では, YOLOv5とFaster R-CNNの2つの物体検出モデルを比較した。
YOLOv5は、mAP、リコール、トレーニング効率の点で優れたパフォーマンスを示している。
しかし、より高速なR-CNNは、小さな遠方物体を検出する利点を示す。
論文 参考訳（メタデータ） (2026-01-30T23:05:13Z) - Fast-COS: A Fast One-Stage Object Detector Based on Reparameterized Attention Vision Transformer for Autonomous Driving [3.617580194719686]
本稿では、シーンを駆動するための新しい単一ステージオブジェクト検出フレームワークであるFast-COSを紹介する。
RAViTはImageNet-1Kデータセットで81.4%のTop-1精度を達成した。
主要なモデルの効率を上回り、最大75.9%のGPU推論速度とエッジデバイスでの1.38のスループットを提供する。
論文 参考訳（メタデータ） (2025-02-11T09:54:09Z) - Real-time Traffic Object Detection for Autonomous Driving [5.780326596446099]
現代のコンピュータビジョン技術は、効率よりも精度を優先する傾向がある。
既存の物体検出器はリアルタイムには程遠い。
リアルタイム要件を取り入れた,より適切な代替案を提案する。
論文 参考訳（メタデータ） (2024-01-31T19:12:56Z) - 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) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - A Quality Index Metric and Method for Online Self-Assessment of
Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。
我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文 参考訳（メタデータ） (2022-03-04T22:16:50Z) - Injecting Planning-Awareness into Prediction and Detection Evaluation [42.228191984697006]
私たちは一歩後退して、現在の評価指標を批判的に評価し、タスク対応メトリクスを、デプロイされるシステムのパフォーマンスのより良い測定基準として提案します。
実世界の自律運転データとともに、実世界のシミュレーション実験により、提案したタスク認識メトリクスが結果非対称性を考慮でき、モデルのクローズドループ性能をよりよく推定できることを確認した。
論文 参考訳（メタデータ） (2021-10-07T08:52:48Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z)
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。