論文の概要: DeepReflecs: Deep Learning for Automotive Object Classification with Radar Reflections

• arxiv url: http://arxiv.org/abs/2010.09273v1
• Date: Mon, 19 Oct 2020 07:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 20:10:40.838272
• Title: DeepReflecs: Deep Learning for Automotive Object Classification with Radar Reflections
• Title（参考訳）: DeepReflecs: レーダー反射を用いた自動車物体分類のためのディープラーニング
• Authors: Michael Ulrich and Claudius Gl\"aser and Fabian Timm
• Abstract要約: この方法は、歩行者、サイクリスト、車、または非障害物などのオブジェクトクラス情報を提供する。 これは、手作り特徴の低パフォーマンス手法と畳み込みニューラルネットワークを用いた高パフォーマンス手法とのギャップを埋める。 アブレーション研究は、提案したグローバルコンテキスト層の影響を分析する。
• 参考スコア（独自算出の注目度）: 0.7251305766151019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an novel object type classification method for automotive applications which uses deep learning with radar reflections. The method provides object class information such as pedestrian, cyclist, car, or non-obstacle. The method is both powerful and efficient, by using a light-weight deep learning approach on reflection level radar data. It fills the gap between low-performant methods of handcrafted features and high-performant methods with convolutional neural networks. The proposed network exploits the specific characteristics of radar reflection data: It handles unordered lists of arbitrary length as input and it combines both extraction of local and global features. In experiments with real data the proposed network outperforms existing methods of handcrafted or learned features. An ablation study analyzes the impact of the proposed global context layer.
• Abstract（参考訳）: 本稿では,レーダー反射を用いたディープラーニングを用いた自動車用物体分類法を提案する。 この方法は、歩行者、サイクリスト、車、障害物以外のオブジェクトクラス情報を提供する。 この方法は、反射レベルレーダデータに対する軽量深層学習手法を用いて、強力かつ効率的である。 手作り特徴の低パフォーマンス手法と畳み込みニューラルネットワークを用いた高パフォーマンス手法とのギャップを埋める。 提案ネットワークは、レーダー反射データの特徴を生かし、任意の長さの順序のないリストを入力として扱い、局所的特徴とグローバルな特徴の抽出を組み合わせている。 実データを使った実験では、提案されたネットワークは、既存の手作りまたは学習された特徴の方法よりも優れています。 アブレーション研究は,提案するグローバルコンテキスト層の影響を分析する。

関連論文リスト

• MUFASA: Multi-View Fusion and Adaptation Network with Spatial Awareness for Radar Object Detection [3.1212590312985986]
  レーダー点雲の空間は 正確な物体検出に 困難を生じさせます 本稿では,レーダポイント雲の包括的特徴抽出手法を提案する。 我々は、VoDデータセット上のレーダベース手法のmAPが50.24%である場合、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-08-01T13:52:18Z)
• Leveraging Self-Supervised Instance Contrastive Learning for Radar Object Detection [7.728838099011661]
  本稿では,レーダ物体検出装置を事前訓練する際,RCLを例に紹介する。 我々は、より少ないデータで学習するために、物体検出器のバックボーン、頭、首を事前訓練することを目指している。
  論文  参考訳（メタデータ） (2024-02-13T12:53:33Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Histogram-based Deep Learning for Automotive Radar [6.85316573653194]
  レーダセンサで記録された点雲データを処理するための深層学習手法を提案する。 既存の手法と比較して、我々のアプローチは極めて単純で、点雲ヒストグラムを計算し、それを多層パーセプトロンに渡す。 本手法は,自動車用レーダオブジェクトタイプ分類の課題に対して,最先端のアプローチと一致し,超越している。
  論文  参考訳（メタデータ） (2023-03-06T09:06:49Z)
• 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)
• DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections for Object Classification [0.5669790037378094]
  本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。 提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
  論文  参考訳（メタデータ） (2022-02-17T08:45:11Z)
• Large-Scale Topological Radar Localization Using Learned Descriptors [15.662820454886202]
  本稿では、レーダースキャン画像から回転不変なグローバルディスクリプタを計算するための、単純かつ効率的なディープネットワークアーキテクチャを提案する。 提案手法の性能と一般化能力を2つの大規模運転データセットで実験的に評価した。
  論文  参考訳（メタデータ） (2021-10-06T21:57:23Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。