Fugu-MT 論文翻訳(概要): A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field

論文の概要: A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field

arxiv url: http://arxiv.org/abs/2011.13140v2
Date: Fri, 29 Jan 2021 07:32:04 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 08:55:18.536607
Title: A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field
Title（参考訳）: 粗視・微視的マルコフ確率場に基づく高速点雲地上セグメンテーション手法
Authors: Weixin Huang, Huawei Liang, Linglong Lin, Zhiling Wang, Shaobo Wang, Biao Yu, Runxin Niu
Abstract要約: 粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
参考スコア（独自算出の注目度）: 0.32546166337127946
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ground segmentation is an important preprocessing task for autonomous vehicles (AVs) with 3D LiDARs. To solve the problem of existing ground segmentation methods being very difficult to balance accuracy and computational complexity, a fast point cloud ground segmentation approach based on a coarse-to-fine Markov random field (MRF) method is proposed. The method uses an improved elevation map for ground coarse segmentation, and then uses spatiotemporal adjacent points to optimize the segmentation results. The processed point cloud is classified into high-confidence obstacle points, ground points, and unknown classification points to initialize an MRF model. The graph cut method is then used to solve the model to achieve fine segmentation. Experiments on datasets showed that our method improves on other algorithms in terms of ground segmentation accuracy and is faster than other graph-based algorithms, which require only a single core of an I7-3770 CPU to process a frame of Velodyne HDL-64E data (in 39.77 ms, on average). Field tests were also conducted to demonstrate the effectiveness of the proposed method.
Abstract（参考訳）: グラウンドセグメンテーションは、自動運転車(AV)と3D LiDARの重要な前処理タスクである。精度と計算複雑性のバランスをとるのが非常に難しい既存の地盤分断手法の問題を解決するために,粗いマルコフランダム場(MRF)法に基づく高速点雲分断手法を提案する。地中粗いセグメンテーションに改良された標高マップを用い, 時空間隣接点を用いてセグメンテーション結果の最適化を行う。処理された点雲は、高信頼障害点、接地点、未知の分類点に分類され、MRFモデルを初期化する。グラフカット法はモデルを解くために使われ、細かなセグメンテーションを実現する。 I7-3770 CPUの1コアだけでVelodyne HDL-64Eデータのフレームを処理する(平均39.77ms)。また,提案手法の有効性を実証するためにフィールド試験を行った。

関連論文リスト

Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。提案手法は3DMatch と ETH のデータセットでよく機能する。
論文参考訳（メタデータ） (2024-10-29T08:36:23Z)
FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
論文参考訳（メタデータ） (2024-04-27T20:54:15Z)
A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads [10.367730390937622]
関心領域抽出, ポイントクラウド登録, バックグラウンドサブトラクションの3つの部分を含む, ポイントクラウドマップに基づくグラウンドセグメンテーション手法を提案する。実験の結果, グラウンドポイントの正しいセグメンテーション率は99.95%であり, ランニング時間は26msであることがわかった。提案手法は,オープンピット鉱山に代表される非構造道路シナリオに適用可能である。
論文参考訳（メタデータ） (2023-09-15T05:23:16Z)
Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文参考訳（メタデータ） (2023-07-20T15:21:28Z)
Human Semantic Segmentation using Millimeter-Wave Radar Sparse Point Clouds [3.3888257250564364]
本稿では,ミリ波レーダの粗い逐次点雲のセマンティックセグメンテーションのためのフレームワークを提案する。 mmWaveデータの空間的特徴と時間的トポロジ的特徴は依然として問題である。グラフ構造とトポロジ的特徴をポイントクラウドに導入し,セマンティックセグメンテーションフレームワークを提案する。我々のモデルは、$mathbf82.31%$でカスタムデータセットの平均精度を達成し、最先端のアルゴリズムより優れている。
論文参考訳（メタデータ） (2023-04-27T12:28:06Z)
PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文参考訳（メタデータ） (2022-04-25T02:41:46Z)
Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor [0.1657441317977376]
地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2021-08-12T06:52:10Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文参考訳（メタデータ） (2021-03-11T09:42:32Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Holistically-Attracted Wireframe Parsing [123.58263152571952]
本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
論文参考訳（メタデータ） (2020-03-03T17:43:57Z)

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。