Fugu-MT 論文翻訳(概要): Off-Road Drivable Area Extraction Using 3D LiDAR Data

論文の概要: Off-Road Drivable Area Extraction Using 3D LiDAR Data

arxiv url: http://arxiv.org/abs/2003.04780v1
Date: Tue, 10 Mar 2020 14:44:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-24 21:21:42.974489
Title: Off-Road Drivable Area Extraction Using 3D LiDAR Data
Title（参考訳）: 3次元LiDARデータを用いたオフロード乾燥領域抽出
Authors: Biao Gao, Anran Xu, Yancheng Pan, Xijun Zhao, Wen Yao, Huijing Zhao
Abstract要約: 本稿では,3次元LiDARデータを用いたオフロード乾燥領域抽出手法を提案する。特定のディープラーニングフレームワークは、オフロード環境における主要な課題の1つである曖昧な領域を扱うように設計されています。
参考スコア（独自算出の注目度）: 7.215858861186277
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method for off-road drivable area extraction using 3D LiDAR data with the goal of autonomous driving application. A specific deep learning framework is designed to deal with the ambiguous area, which is one of the main challenges in the off-road environment. To reduce the considerable demand for human-annotated data for network training, we utilize the information from vast quantities of vehicle paths and auto-generated obstacle labels. Using these autogenerated annotations, the proposed network can be trained using weakly supervised or semi-supervised methods, which can achieve better performance with fewer human annotations. The experiments on our dataset illustrate the reasonability of our framework and the validity of our weakly and semi-supervised methods.
Abstract（参考訳）: 本研究では,3次元lidarデータを用いたオフロード自由領域抽出手法を提案する。特定のディープラーニングフレームワークは、オフロード環境における大きな課題の1つである曖昧な領域に対処するように設計されている。ネットワークトレーニングのための人手によるアノテートデータの需要を大幅に減らすため,大量の車両経路や自動生成障害物ラベルからの情報を利用する。これらの自動生成アノテーションを使用することで、提案されたネットワークは弱い教師付きまたは半教師付きメソッドを使ってトレーニングすることができる。このデータセットの実験は、我々のフレームワークの理性と弱く半教師ありの手法の有効性を示すものである。

関連論文リスト

Label-Efficient 3D Object Detection For Road-Side Units [10.663986706501188]
協調的知覚は、インテリジェント・ロードサイド・ユニット(RSU)との深部情報融合による自動運転車の知覚を高めるこれらの手法は、特に注釈付きRSUデータを必要とするため、実際のデプロイメントにおいて大きなハードルを生んでいる。教師なしオブジェクト発見に基づくRSUのためのラベル効率の高いオブジェクト検出手法を考案する。
論文参考訳（メタデータ） (2024-04-09T12:29:16Z)
3D Object Detection and High-Resolution Traffic Parameters Extraction Using Low-Resolution LiDAR Data [14.142956899468922]
本研究では,複数のLiDARシステムの必要性を緩和し,無駄な3Dアノテーションプロセスを簡単にする,革新的なフレームワークを提案する。 2次元境界箱検出と抽出された高さ情報を用いて,人間の介入なしに3次元境界箱を自動的に生成することができる。
論文参考訳（メタデータ） (2024-01-13T01:22:20Z)
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)
Language-Guided 3D Object Detection in Point Cloud for Autonomous Driving [91.91552963872596]
我々は,LiDARグラウンディングと呼ばれるマルチモーダルな視覚的グラウンドニングタスクを提案する。言語特徴を持つLiDARベースの物体検出器を共同で学習し、検出器から直接対象領域を予測する。私たちの研究は、LiDARベースの接地作業に関する深い洞察を提供しており、自動運転コミュニティにとって有望な方向性を示すものと期待しています。
論文参考訳（メタデータ） (2023-05-25T06:22:10Z)
An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation [15.523875367380196]
トラッキングアルゴリズムを用いてLiDARシーケンスを自動的にアノテートする,効率的な半自動アノテーションツールを提案する。本ツールでは,マルチオブジェクト追跡(MOT),シングルオブジェクト追跡(SOT),適切なトラック後処理手法をシームレスに統合する。
論文参考訳（メタデータ） (2023-01-25T17:42:15Z)
Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task [0.0]
ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
論文参考訳（メタデータ） (2022-12-19T13:25:09Z)
ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文参考訳（メタデータ） (2022-12-12T13:10:19Z)
Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-03-22T00:58:27Z)
Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文参考訳（メタデータ） (2021-04-23T17:59:28Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs [26.110522390201094]
我々は,乾燥地や道路異常のセグメンテーションラベルを自動生成するパイプラインを開発した。提案する自動ラベリングパイプラインは,手動ラベリングと比較して,目覚ましいスピードアップを実現している。提案する自己教師型アプローチは,最先端の従来のアルゴリズムよりも堅牢で正確な結果を示す。
論文参考訳（メタデータ） (2020-07-12T10:12:46Z)

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。