論文の概要: PV-RCNN: The Top-Performing LiDAR-only Solutions for 3D Detection / 3D Tracking / Domain Adaptation of Waymo Open Dataset Challenges

• arxiv url: http://arxiv.org/abs/2008.12599v1
• Date: Fri, 28 Aug 2020 12:05:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:14:25.993834
• Title: PV-RCNN: The Top-Performing LiDAR-only Solutions for 3D Detection / 3D Tracking / Domain Adaptation of Waymo Open Dataset Challenges
• Title（参考訳）: PV-RCNN:Waymo Open Dataset Challengesの3D検出/3D追跡/ドメイン適応のためのLiDAR専用ソリューション
• Authors: Shaoshuai Shi, Chaoxu Guo, Jihan Yang, Hongsheng Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.45347304168576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this technical report, we present the top-performing LiDAR-only solutions for 3D detection, 3D tracking and domain adaptation three tracks in Waymo Open Dataset Challenges 2020. Our solutions for the competition are built upon our recent proposed PV-RCNN 3D object detection framework. Several variants of our PV-RCNN are explored, including temporal information incorporation, dynamic voxelization, adaptive training sample selection, classification with RoI features, etc. A simple model ensemble strategy with non-maximum-suppression and box voting is adopted to generate the final results. By using only LiDAR point cloud data, our models finally achieve the 1st place among all LiDAR-only methods, and the 2nd place among all multi-modal methods, on the 3D Detection, 3D Tracking and Domain Adaptation three tracks of Waymo Open Dataset Challenges. Our solutions will be available at https://github.com/open-mmlab/OpenPCDet
• Abstract（参考訳）: 本稿では,waymo open dataset challenge 2020において,3d検出,3dトラッキング,ドメイン適応のためのトップパフォーマンスlidarソリューションを提案する。 この競合に対する解決策は、最近提案されたPV-RCNN 3Dオブジェクト検出フレームワークに基づいている。 PV-RCNNには,時間情報の導入,動的ボキセル化,適応型トレーニングサンプル選択,RoI特徴の分類など,いくつかのバリエーションが検討されている。 非最大圧縮とボックス投票による単純なモデルアンサンブル戦略を用いて最終結果を生成する。 Waymo Open Dataset Challengesの3つのトラックにおいて,LiDARポイントクラウドデータのみを使用することで,LiDARのみの手法の中では最終的に第1位,マルチモーダルメソッドでは第2位となった。 私たちのソリューションはhttps://github.com/open-mmlab/OpenPCDetで公開されます。

関連論文リスト

• LiOn-XA: Unsupervised Domain Adaptation via LiDAR-Only Cross-Modal Adversarial Training [61.26381389532653]
  LiOn-XAは、LiDAR-Only Cross-Modal (X)学習と3D LiDARポイントクラウドセマンティックセマンティックセグメンテーションのためのAdversarial Trainingを組み合わせた、教師なしドメイン適応(UDA)アプローチである。 3つの現実的適応シナリオに関する実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-10-21T09:50:17Z)
• Reviewing 3D Object Detectors in the Context of High-Resolution 3+1D Radar [0.7279730418361995]
  高分解能4D(3+1D)レーダーセンサーは、ディープラーニングに基づくレーダー知覚の研究を行っている。 本研究では,3次元物体検出のためのレーダポイントクラウドで動作するディープラーニングモデルについて検討する。
  論文  参考訳（メタデータ） (2023-08-10T10:10:43Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Dense Voxel Fusion for 3D Object Detection [10.717415797194896]
  ボクセル融合 (Voxel Fusion, DVF) は, 多スケール密度ボクセル特徴表現を生成する逐次融合法である。 地上の真理2Dバウンディングボックスラベルを直接トレーニングし、ノイズの多い検出器固有の2D予測を避けます。 提案したマルチモーダルトレーニング戦略は, 誤った2次元予測を用いたトレーニングに比べ, より一般化できることを示す。
  論文  参考訳（メタデータ） (2022-03-02T04:51:31Z)
• LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
  自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。 特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
  論文  参考訳（メタデータ） (2021-03-29T03:01:21Z)
• PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection [100.60209139039472]
  点雲からの正確な3次元検出を行うために,PointVoxel Region based Convolution Neural Networks (PVRCNNs)を提案する。 提案するPV-RCNNは,Openデータセットと高競争性KITTIベンチマークの両方において,従来の最先端3D検出方法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-01-31T14:51:49Z)
• 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)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)

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。