論文の概要: Uncertainty-Aware Voxel based 3D Object Detection and Tracking with
von-Mises Loss
- arxiv url: http://arxiv.org/abs/2011.02553v1
- Date: Wed, 4 Nov 2020 21:53:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 21:49:17.850984
- Title: Uncertainty-Aware Voxel based 3D Object Detection and Tracking with
von-Mises Loss
- Title(参考訳): von-Mises損失を用いた不確実なVoxelに基づく3次元物体検出と追跡
- Authors: Yuanxin Zhong, Minghan Zhu and Huei Peng
- Abstract要約: 不確実性は、認識システムのエラーに対処し、堅牢性を改善するのに役立ちます。
本稿では,SECOND検出器に不確実性レグレッションを追加することにより,目標追尾性能を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 13.346392746224117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection and tracking is a key task in autonomy. Specifically, 3D
object detection and tracking have been an emerging hot topic recently.
Although various methods have been proposed for object detection, uncertainty
in the 3D detection and tracking tasks has been less explored. Uncertainty
helps us tackle the error in the perception system and improve robustness. In
this paper, we propose a method for improving target tracking performance by
adding uncertainty regression to the SECOND detector, which is one of the most
representative algorithms of 3D object detection. Our method estimates
positional and dimensional uncertainties with Gaussian Negative Log-Likelihood
(NLL) Loss for estimation and introduces von-Mises NLL Loss for angular
uncertainty estimation. We fed the uncertainty output into a classical object
tracking framework and proved that our method increased the tracking
performance compared against the vanilla tracker with constant covariance
assumption.
- Abstract(参考訳): オブジェクトの検出と追跡は、自律性において重要なタスクである。
特に、最近は3dオブジェクトの検出と追跡がホットな話題になっている。
物体検出には様々な方法が提案されているが、3次元検出・追跡タスクの不確実性は少ない。
不確実性は、認識システムのエラーに対処し、堅牢性を改善するのに役立つ。
本稿では,3次元物体検出の代表的なアルゴリズムの一つである第2検出器に不確実性回帰を付加することにより,目標追尾性能を向上させる手法を提案する。
本手法は, ガウス負対数損失(NLL)を推定するための位置的および次元的不確かさを推定し, 角不確かさ推定のためのvon-Mises NLL損失を導入する。
不確実性アウトプットを古典的なオブジェクトトラッキングフレームワークに供給し,一定の共分散を仮定したバニラトラッカと比較して追跡性能が向上することを示した。
関連論文リスト
- UncertaintyTrack: Exploiting Detection and Localization Uncertainty in
Multi-Object Tracking [9.716201630968433]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。
複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。
バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文 参考訳(メタデータ) (2024-02-19T17:27:04Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [95.42181254494287]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳(メタデータ) (2023-02-12T14:30:03Z) - CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object
Tracking with Camera-LiDAR Fusion [34.42289908350286]
3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。
LiDAR法で物体の不規則な動きを正確に追跡することは困難である。
複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-06T14:41:38Z) - GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty
Estimation [59.05097963821385]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。
本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。
GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文 参考訳(メタデータ) (2022-07-06T06:26:17Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳(メタデータ) (2021-10-04T17:59:31Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳(メタデータ) (2021-03-30T10:38:01Z) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳(メタデータ) (2020-12-15T16:54:45Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳(メタデータ) (2019-12-26T08:48:04Z)
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。