論文の概要: SOIC: Semantic Online Initialization and Calibration for LiDAR and Camera

• arxiv url: http://arxiv.org/abs/2003.04260v1
• Date: Mon, 9 Mar 2020 17:02:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:37:50.475228
• Title: SOIC: Semantic Online Initialization and Calibration for LiDAR and Camera
• Title（参考訳）: SOIC:LiDARとカメラのセマンティックオンライン初期化と校正
• Authors: Weimin Wang, Shohei Nobuhara, Ryosuke Nakamura, Ken Sakurada
• Abstract要約: 本稿では,LiDARとカメラセンサのためのセマンティックベースのオンラインキャリブレーション手法SOICを提案する。 我々は,提案手法をGTで評価するか,KITTIデータセット上で予測する。
• 参考スコア（独自算出の注目度）: 18.51029962714994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel semantic-based online extrinsic calibration approach, SOIC (so, I see), for Light Detection and Ranging (LiDAR) and camera sensors. Previous online calibration methods usually need prior knowledge of rough initial values for optimization. The proposed approach removes this limitation by converting the initialization problem to a Perspective-n-Point (PnP) problem with the introduction of semantic centroids (SCs). The closed-form solution of this PnP problem has been well researched and can be found with existing PnP methods. Since the semantic centroid of the point cloud usually does not accurately match with that of the corresponding image, the accuracy of parameters are not improved even after a nonlinear refinement process. Thus, a cost function based on the constraint of the correspondence between semantic elements from both point cloud and image data is formulated. Subsequently, optimal extrinsic parameters are estimated by minimizing the cost function. We evaluate the proposed method either with GT or predicted semantics on KITTI dataset. Experimental results and comparisons with the baseline method verify the feasibility of the initialization strategy and the accuracy of the calibration approach. In addition, we release the source code at https://github.com/--/SOIC.
• Abstract（参考訳）: 本稿では,光検出・測位(lidar)とカメラセンサのための,新しい意味論的オンライン極値校正手法soic(so, i see)を提案する。 従来のオンラインキャリブレーション手法では、最適化には大まかな初期値の事前知識が必要である。 提案手法では,semantic centroids (scs) の導入により初期化問題を perspective-n-point (pnp) 問題に変換することにより,この制限を解消する。 このPnP問題の閉形式解はよく研究されており、既存のPnP法で見ることができる。 点雲のセマンティクスセンタロイドは通常、対応する画像のそれと正確に一致しないので、非線形精細化処理後もパラメータの精度は向上しない。 これにより、ポイントクラウドと画像データとのセマンティック要素間の対応の制約に基づくコスト関数が定式化される。 その後、コスト関数を最小化して最適外因性パラメータを推定する。 提案手法は,KITTIデータセット上でGTまたは予測セマンティクスを用いて評価する。 実験結果とベースライン法との比較により,初期化戦略の有効性とキャリブレーション手法の精度が検証された。 さらに、ソースコードはhttps://github.com/-/SOIC.com/で公開しています。

関連論文リスト

• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• OSPC: Online Sequential Photometric Calibration [0.0]
  測光キャリブレーションは多くのコンピュータビジョンアプリケーションに必須である。 逐次推定手法を用いて,測光パラメータの解法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T09:44:58Z)
• Proximal Point Imitation Learning [48.50107891696562]
  我々は、無限地平線模倣学習のための厳密な効率保証を備えた新しいアルゴリズムを開発した。 我々は、最適化、特に近点法(PPM)と双対平滑化から古典的ツールを活用する。 線形関数とニューラルネットワーク関数の近似の双方に対して、説得力のある経験的性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T12:40:21Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Lidar and Camera Self-Calibration using CostVolume Network [3.793450497896671]
  LiDARとカメラ間のパラメータを直接レグレッシブする代わりに、初期キャリブレーションから地上の真実へのデキャリブレーション偏差を予測します。 提案手法は, 平均絶対校正誤差が0.297cm, 回転誤差が0.017degであり, 校正誤差が1.5m, 20degであった。
  論文  参考訳（メタデータ） (2020-12-27T09:41:45Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Facilitate the Parametric Dimension Reduction by Gradient Clipping [1.9671123873378715]
  我々は、ニューラルネットワークのトレーニングにより、非パラメトリックからパラメトリックへ、よく知られた次元削減手法であるt分散隣接埋め込み(t-SNE)を拡張した。 本手法は, 一般化を楽しみながら, 非パラメトリックt-SNEと互換性のある埋め込み品質を実現する。
  論文  参考訳（メタデータ） (2020-09-30T01:21:22Z)
• Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences [8.636298281155602]
  高速な特徴量ポイントクラウド登録フレームワークを提案する。 対応なしに特徴量プロジェクションエラーを最小限にすることで、登録の最適化を強制する。 提案手法を半教師なしあるいは教師なしの手法で訓練する。
  論文  参考訳（メタデータ） (2020-05-03T07:26:59Z)

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。