Newest papers

Deep Learning-Based Road Lane Quality Assessment from Egocentric Dashcam Video

Shaif Chowdhury, Akhila Yeruvasu, Moshiur Rahman Tonmoy, Ayush Goyal, Dunren Che · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28508 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Đánh dấu đường băng theo cấp độ PSIS đáng tin cậy là quan trọng đối với cả người lái xe và các hệ thống lái xe tự động, nhưng tình trạng của chúng vẫn được đánh giá thông thường thông qua kiểm tra bằng tay. Bộ dữ liệu lái xe tự trị hiện có chủ yếu hỗ trợ phát hiện đường băng và hiểu cảnh và thường thiếu các nhãn theo định hướng bảo trì cho khả năng hiển thị đường băng, tính liên tục hoặc suy thoái. Trong nghiên cứu này, chúng tôi trình bày một bộ dữ liệu đường băng thông minh có tham chiếu địa lý và khuôn khổ cơ bản để đánh giá chất lượng đường băng. Bộ dữ liệu thí điểm chứa 63.839 khung đường băng được thu thập trên khắp miền Nam Texas bằng cách sử dụng ứng dụng dashcam có khả năng GPS. Một tập hợp con của 3.339 khung được kết hợp với các nhãn đường băng có nguồn gốc từ

Machine translation (Meta M2M100); the English original follows.

Abstract

Reliable lane markings are important for both human drivers and automated driving systems, but their condition is still commonly assessed through manual inspection. Existing autonomous-driving datasets primarily support lane detection and scene understanding and usually lack maintenance-oriented labels for lane-marking visibility, continuity, or degradation. In this study, we present a geo-referenced smartphone dashcam dataset and baseline framework for lane-marking quality assessment. The dataset contains 63,839 road-facing frames collected across South Texas using a GPS-enabled dashcam application. A subset of 3,339 frames is matched with OpenStreetMap-derived lane-count labels, which are used as weak supervision for lane-count regression and map-consistency evaluation. We propose three lane-quality measures: Contrast Stability Index (CSI), which captures lane-background contrast using Laplacian responses; Line Continuity Ratio (LCR), which estimates structural continuity using edge and Hough-line evidence; and Regression Lane Confidence Score (RLCS), which measures agreement between predicted and map-derived lane counts on matched frames. The baseline prediction models attained strong performance, with CSI (MAE $0.039$, $R^2=0.97$) and LCR (MAE $0.093$, $R^2=0.84$). Notably, CSI and LCR are no-reference, segmentation-derived quality metrics that can be computed without dense human labels. In a pilot validation using 50 human-ranked images, these proposed lane-specific metrics show stronger rank agreement with human lane-quality ordering (e.g., Spearman's $ρ=0.7316$ and Kendall's $τ=0.5472$ for LCR) than general image-quality measures such as PSNR, SSIM, BRISQUE, NIQE, and LPIPS. We believe the dataset, metrics, and baseline provide an initial step toward scalable, low-cost, location-aware lane-marking quality assessment. Data and code: https://github.com/Shaif95/Road_Quality

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Baseline (sea), Computer science, Artificial intelligence, Regression, Contrast (vision), Quality (philosophy)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange