要約
自動運転にはリアルタイムの信号機認識が不可欠です。
しかし、このタスクの基礎となるモデル アーキテクチャのまとまった概要は現在不足しています。
この研究では、畳み込みニューラル ネットワーク (CNN) を使用した信号認識手法の包括的な調査と分析を行います。
私たちは、データセットと CNN アーキテクチャという 2 つの重要な側面に焦点を当てています。
基盤となるアーキテクチャに基づいて、メソッドを 3 つの主要なグループに分類します。(1) 特定のタスク特性を補償する汎用オブジェクト検出器の修正、(2) ルールベースと CNN コンポーネントの両方を含む多段階アプローチ、(3) タスク
– 特定の単一段階メソッド。
各クラスターの最も重要な研究について説明し、データセットの使用法について議論し、研究のギャップを特定します。
要約(オリジナル)
Real-time traffic light recognition is essential for autonomous driving. Yet, a cohesive overview of the underlying model architectures for this task is currently missing. In this work, we conduct a comprehensive survey and analysis of traffic light recognition methods that use convolutional neural networks (CNNs). We focus on two essential aspects: datasets and CNN architectures. Based on an underlying architecture, we cluster methods into three major groups: (1) modifications of generic object detectors which compensate for specific task characteristics, (2) multi-stage approaches involving both rule-based and CNN components, and (3) task-specific single-stage methods. We describe the most important works in each cluster, discuss the usage of the datasets, and identify research gaps.
arxiv情報
著者 | Svetlana Pavlitska,Nico Lambing,Ashok Kumar Bangaru,J. Marius Zöllner |
発行日 | 2023-09-05 11:50:38+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google