論文の概要: Streaming Object Detection for 3-D Point Clouds
- arxiv url: http://arxiv.org/abs/2005.01864v1
- Date: Mon, 4 May 2020 21:55:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:13:53.686110
- Title: Streaming Object Detection for 3-D Point Clouds
- Title（参考訳）: 3次元点雲のストリーミング物体検出
- Authors: Wei Han, Zhengdong Zhang, Benjamin Caine, Brandon Yang, Christoph
Sprunk, Ouais Alsharif, Jiquan Ngiam, Vijay Vasudevan, Jonathon Shlens,
Zhifeng Chen
- Abstract要約: LiDARは、多くの既存の知覚システムに通知する顕著な感覚モダリティを提供する。
ポイントクラウドデータに基づく知覚システムのレイテンシは、完全なローテーションスキャンの時間量によって支配される。
我々は、LiDARデータをそのネイティブストリーミング定式化で操作することで、自動運転オブジェクト検出にいくつかの利点があることを示す。
- 参考スコア（独自算出の注目度）: 29.465873948076766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles operate in a dynamic environment, where the speed with
which a vehicle can perceive and react impacts the safety and efficacy of the
system. LiDAR provides a prominent sensory modality that informs many existing
perceptual systems including object detection, segmentation, motion estimation,
and action recognition. The latency for perceptual systems based on point cloud
data can be dominated by the amount of time for a complete rotational scan
(e.g. 100 ms). This built-in data capture latency is artificial, and based on
treating the point cloud as a camera image in order to leverage camera-inspired
architectures. However, unlike camera sensors, most LiDAR point cloud data is
natively a streaming data source in which laser reflections are sequentially
recorded based on the precession of the laser beam. In this work, we explore
how to build an object detector that removes this artificial latency
constraint, and instead operates on native streaming data in order to
significantly reduce latency. This approach has the added benefit of reducing
the peak computational burden on inference hardware by spreading the
computation over the acquisition time for a scan. We demonstrate a family of
streaming detection systems based on sequential modeling through a series of
modifications to the traditional detection meta-architecture. We highlight how
this model may achieve competitive if not superior predictive performance with
state-of-the-art, traditional non-streaming detection systems while achieving
significant latency gains (e.g. 1/15'th - 1/3'rd of peak latency). Our results
show that operating on LiDAR data in its native streaming formulation offers
several advantages for self driving object detection -- advantages that we hope
will be useful for any LiDAR perception system where minimizing latency is
critical for safe and efficient operation.
- Abstract（参考訳）: 自動運転車はダイナミックな環境で動作し、車両が知覚し反応する速度がシステムの安全性と有効性に影響を与える。
LiDARは、オブジェクト検出、セグメンテーション、動作推定、行動認識など、既存の知覚システムの多くに通知する顕著な感覚モダリティを提供する。
ポイントクラウドデータに基づく知覚システムのレイテンシは、完全なローテーションスキャンの時間(例えば100ms)によって支配される。
この組み込みデータキャプチャレイテンシは人工的であり、カメラにインスパイアされたアーキテクチャを活用するために、ポイントクラウドをカメライメージとして扱う。
しかし、カメラセンサと異なり、ほとんどのLiDARポイントクラウドデータは本質的には、レーザー光の偏差に基づいてレーザー反射が順次記録されるストリーミングデータソースである。
本研究では,この人工的レイテンシ制約を解消し,その代わりにネイティブなストリーミングデータを操作するオブジェクト検出器の構築方法について検討する。
このアプローチは、スキャンの取得時間に計算を分散させることにより、推論ハードウェアのピーク計算負担を削減するという利点がある。
本稿では,従来の検出メタアーキテクチャに一連の変更を加え,逐次モデリングに基づくストリーミング検出システム群を実証する。
このモデルは、最先端の従来の非ストリーミング検出システムで優れた予測性能が得られなかったとしても、どのように競争力を発揮するかを強調します。
我々の結果は、LiDARデータをネイティブストリーミングフォーミュレーションで運用することは、自動運転オブジェクト検出にいくつかの利点をもたらすことを示しています -- 安全かつ効率的な操作にレイテンシを最小化するLiDAR認識システムにおいて、私たちが期待している利点は、あらゆるLiDAR認識システムに有効です。
関連論文リスト
- Real-time Stereo-based 3D Object Detection for Streaming Perception [12.52037626475608]
本稿では,ストリーミング知覚のための3Dオブジェクト検出フレームワークStreamDSGNを紹介する。
StreamDSGNは、過去の情報を利用して、次の瞬間にオブジェクトの3D特性を直接予測する。
強いベースラインと比較して、StreamDSGNはストリーミング平均精度を最大4.33%向上させる。
論文 参考訳（メタデータ） (2024-10-16T09:23:02Z) - Future Does Matter: Boosting 3D Object Detection with Temporal Motion Estimation in Point Cloud Sequences [25.74000325019015]
クロスフレーム動作予測情報を用いた時空間特徴学習を容易にするために,新しいLiDAR 3Dオブジェクト検出フレームワークLiSTMを導入する。
我々は,本フレームワークが優れた3次元検出性能を実現することを示すため,アグリゲーションとnuScenesデータセットの実験を行った。
論文 参考訳（メタデータ） (2024-09-06T16:29:04Z) - TimePillars: Temporally-Recurrent 3D LiDAR Object Detection [8.955064958311517]
TimePillarsは時間的にリカレントなオブジェクト検出パイプラインである。
時間にわたってLiDARデータの柱表現を利用する。
基礎的なビルディングブロックがいかに堅牢で効率的な結果を得るのに十分なかを示す。
論文 参考訳（メタデータ） (2023-12-22T10:25:27Z) - EV-Catcher: High-Speed Object Catching Using Low-latency Event-based
Neural Networks [107.62975594230687]
イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。
イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。
計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
論文 参考訳（メタデータ） (2023-04-14T15:23:28Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Motion Vector Extrapolation for Video Object Detection [0.0]
MOVEXは、一般的なCPUベースのシステムで低レイテンシのビデオオブジェクト検出を可能にする。
提案手法は,任意の対象検出器のベースライン遅延を著しく低減することを示す。
さらなるレイテンシ低減は、元のレイテンシよりも最大25倍低いもので、最小限の精度で達成できる。
論文 参考訳（メタデータ） (2021-04-18T17:26:37Z) - StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。
現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。
本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
論文 参考訳（メタデータ） (2020-11-12T14:57:44Z)
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。