論文の概要: 1st Place Solutions of Waymo Open Dataset Challenge 2020 -- 2D Object
Detection Track
- arxiv url: http://arxiv.org/abs/2008.01365v1
- Date: Tue, 4 Aug 2020 06:46:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 00:33:38.436887
- Title: 1st Place Solutions of Waymo Open Dataset Challenge 2020 -- 2D Object
Detection Track
- Title(参考訳): Waymo Open Dataset Challenge 2020の第一位ソリューション - 2Dオブジェクト検出トラック
- Authors: Zehao Huang, Zehui Chen, Qiaofei Li, Hongkai Zhang, Naiyan Wang
- Abstract要約: Cascade RCNN、PAFPN Neck、Double-Headはパフォーマンス改善に使用される。
チームRW-TSDetは2Dオブジェクト検出トラックで1位を獲得した。
- 参考スコア(独自算出の注目度): 21.962811677197255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this technical report, we present our solutions of Waymo Open Dataset
(WOD) Challenge 2020 - 2D Object Track. We adopt FPN as our basic framework.
Cascade RCNN, stacked PAFPN Neck and Double-Head are used for performance
improvements. In order to handle the small object detection problem in WOD, we
use very large image scales for both training and testing. Using our methods,
our team RW-TSDet achieved the 1st place in the 2D Object Detection Track.
- Abstract(参考訳): 本稿では,Waymo Open Dataset (WOD) Challenge 2020 - 2D Object Trackのソリューションについて述べる。
基本フレームワークとしてFPNを採用しています。
Cascade RCNN、PAFPN Neck、Double-Headはパフォーマンス改善に使用される。
WODの小さな物体検出問題に対処するために、私たちはトレーニングとテストの両方に非常に大きな画像スケールを使用します。
我々のチームRW-TSDetは,本手法を用いて2次元物体検出トラックで1位を獲得した。
関連論文リスト
- Street Gaussians without 3D Object Tracker [86.62329193275916]
既存の手法では、オブジェクトポーズの労働集約的な手動ラベリングを使用して、標準的な空間内で動的オブジェクトを再構築し、レンダリング中にこれらのポーズに基づいてそれらを動かす。
本研究では,3次元オブジェクト融合戦略における2次元ディープトラッカーの関連性を利用して,安定なオブジェクト追跡モジュールを提案する。
我々は、軌道誤差を自律的に補正し、見逃した検出を回復する暗黙の特徴空間に、モーションラーニング戦略を導入することで、避けられないトラッキングエラーに対処する。
論文 参考訳(メタデータ) (2024-12-07T05:49:42Z) - FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。
本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。
この手法をFocalFormer3Dとしてインスタンス化する。
論文 参考訳(メタデータ) (2023-08-08T20:06:12Z) - ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every
Detection Box [81.45219802386444]
マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。
3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
論文 参考訳(メタデータ) (2023-03-27T15:35:21Z) - Self-Supervised Object Detection via Generative Image Synthesis [106.65384648377349]
本稿では,自己教師対象検出のための制御可能なGANを用いたエンドツーエンド分析合成フレームワークを提案する。
オブジェクトの合成と検出を学習するために、ボックスアノテーションを使用せずに、実世界のイメージのコレクションを使用します。
我々の研究は、制御可能なGAN画像合成という新しいパラダイムを導入することで、自己教師対象検出の分野を前進させる。
論文 参考訳(メタデータ) (2021-10-19T11:04:05Z) - 2nd Place Solution for Waymo Open Dataset Challenge - Real-time 2D
Object Detection [26.086623067939605]
本稿では,画像から2次元物体を検出するリアルタイム手法を提案する。
我々は、加速度RTを活用して、検出パイプラインの推論時間を最適化する。
我々のフレームワークはNvidia Tesla V100 GPU上で45.8ms/frameのレイテンシを実現する。
論文 参考訳(メタデータ) (2021-06-16T11:32:03Z) - FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection [78.00922683083776]
一般的な2D検出器をこの3Dタスクで動作させることは簡単ではない。
本報告では,完全畳み込み型単段検出器を用いた手法を用いてこの問題を考察する。
私たちのソリューションは、NeurIPS 2020のnuScenes 3D検出チャレンジのすべてのビジョンのみの方法の中で1位を獲得します。
論文 参考訳(メタデータ) (2021-04-22T09:35:35Z) - PV-RCNN: The Top-Performing LiDAR-only Solutions for 3D Detection / 3D
Tracking / Domain Adaptation of Waymo Open Dataset Challenges [39.45347304168576]
We present the top-perform LiDAR-only Solution for 3D detection, 3D tracking and domain adaptation three track in Open dataset Challenges 2020。
提案手法は,提案したPV-RCNN 3Dオブジェクト検出フレームワーク上に構築されている。
論文 参考訳(メタデータ) (2020-08-28T12:05:26Z) - 1st Place Solutions for Waymo Open Dataset Challenges -- 2D and 3D
Tracking [7.807118356899879]
HorizonMOTは、画像空間におけるカメラベースの2Dトラッキングと、3Dワールド空間におけるLiDARベースの3Dトラッキングのために提案されている。
トラッキング・バイ・検出のパラダイムでは、2D/3D検出の課題で使用される高性能検出器を活用し、45.13%の2D MOTA/L2と63.45%の3D MOTA/L2を達成した。
論文 参考訳(メタデータ) (2020-06-28T04:49:59Z) - 1st Place Solution for Waymo Open Dataset Challenge -- 3D Detection and
Domain Adaptation [7.807118356899879]
本研究では,一段式,アンカーフリー,NMSフリーの3Dポイント・クラウド・オブジェクト検出器AFDetを提案する。
AFDetは私たちの勝利ソリューションの強力なベースラインとして機能します。
我々は、より強力なネットワークを設計し、デンシフィケーションとポイントペインティングを用いてポイントクラウドデータを強化する。
論文 参考訳(メタデータ) (2020-06-28T04:49:39Z) - DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person
Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。
DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。
DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文 参考訳(メタデータ) (2020-04-29T11:01:44Z)
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。