論文の概要: Lidar and Camera Self-Calibration using CostVolume Network
- arxiv url: http://arxiv.org/abs/2012.13901v1
- Date: Sun, 27 Dec 2020 09:41:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 22:46:02.773274
- Title: Lidar and Camera Self-Calibration using CostVolume Network
- Title（参考訳）: CostVolume Networkを用いたライダーとカメラの自己校正
- Authors: Xudong Lv, Boya Wang, Dong Ye, Shuo Wang
- Abstract要約: LiDARとカメラ間のパラメータを直接レグレッシブする代わりに、初期キャリブレーションから地上の真実へのデキャリブレーション偏差を予測します。
提案手法は, 平均絶対校正誤差が0.297cm, 回転誤差が0.017degであり, 校正誤差が1.5m, 20degであった。
- 参考スコア（独自算出の注目度）: 3.793450497896671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel online self-calibration approach for Light
Detection and Ranging (LiDAR) and camera sensors. Compared to the previous
CNN-based methods that concatenate the feature maps of the RGB image and
decalibrated depth image, we exploit the cost volume inspired by the PWC-Net
for feature matching. Besides the smooth L1-Loss of the predicted extrinsic
calibration parameters, an additional point cloud loss is applied. Instead of
regress the extrinsic parameters between LiDAR and camera directly, we predict
the decalibrated deviation from initial calibration to the ground truth. During
inference, the calibration error decreases further with the usage of iterative
refinement and the temporal filtering approach. The evaluation results on the
KITTI dataset illustrate that our approach outperforms CNN-based
state-of-the-art methods in terms of a mean absolute calibration error of
0.297cm in translation and 0.017{\deg} in rotation with miscalibration
magnitudes of up to 1.5m and 20{\deg}.
- Abstract（参考訳）: 本稿では,光検出・照準(LiDAR)とカメラセンサのためのオンライン自己校正手法を提案する。
RGB画像の特徴マップとdecalibated depth画像とを結合した従来のCNNベースの手法と比較して,PWC-Netに触発されたコストを特徴マッチングに用いる。
予測外因性キャリブレーションパラメータの滑らかなL1-Lossに加えて、追加の点雲損失が適用される。
我々は,LiDARとカメラ間の外部パラメータを直接回帰する代わりに,初期校正から地平への偏差を予測した。
推定中,反復的改良法と時間的フィルタリング法を用いることで,キャリブレーション誤差はさらに減少する。
KITTIデータセットによる評価結果は, 平均絶対校正誤差が0.297cm, 0.017{\degが最大1.5m, 20{\degの精度でCNN法よりも優れていることを示す。
関連論文リスト
- YOCO: You Only Calibrate Once for Accurate Extrinsic Parameter in LiDAR-Camera Systems [0.5999777817331317]
カメラとLiDARからなるマルチセンサー融合システムでは、正確な外部キャリブレーションがシステムの長期的な安定性と環境の正確な認識に寄与する。
本稿では,LiDARカメラシステムにおいて,対応点登録の必要性を回避するための完全自動外部校正手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T13:44:49Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。
我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - CalibFormer: A Transformer-based Automatic LiDAR-Camera Calibration Network [11.602943913324653]
CalibFormerは自動LiDARカメラキャリブレーションのためのエンドツーエンドネットワークである。
高精細度表現を実現するために、複数のカメラ層とLiDAR画像層を集約する。
平均翻訳誤差は0.8751 Mathrmcm$, 平均回転誤差は0.0562 circ$であった。
論文 参考訳（メタデータ） (2023-11-26T08:59:30Z) - EdgeCalib: Multi-Frame Weighted Edge Features for Automatic Targetless
LiDAR-Camera Calibration [15.057994140880373]
実世界のシナリオにおけるLiDARとカメラの自動校正のためのエッジベースのアプローチを提案する。
エッジ機能は、様々な環境で広く使われているが、画像と点雲の両方に並び、外在パラメータを決定する。
その結果, 最先端回転精度は0.086deg, 翻訳精度は0.977cmであり, 既存のエッジベースキャリブレーション法よりも精度とロバスト性が高いことがわかった。
論文 参考訳（メタデータ） (2023-10-25T13:27:56Z) - End-to-End Lidar-Camera Self-Calibration for Autonomous Vehicles [0.0]
CaLiCaはLidarとピンホールカメラのためのエンドツーエンドの自己校正ネットワークである。
我々は1パスの推論で0.028ピクセルの再投影誤差で0.154デグと0.059mの精度を達成した。
論文 参考訳（メタデータ） (2023-04-24T19:44:23Z) - An Adaptive Method for Camera Attribution under Complex Radial
Distortion Corrections [77.34726150561087]
インカメラまたはインカメラソフトウェア/アサートウェアは、PRNUベースのカメラ属性を妨げるために、画像の支持グリッドを変更する。
この問題に対処する既存のソリューションは、計算負荷を抑制するために、数変数でパラメータ化された半径変換を用いて補正を反転/推定しようとする。
本稿では,Adobe Lightroom, Photoshop, Gimp, PT-Lensといったサードパーティ製ソフトウェアが適用したような高度な補正を,同心円に分割することで実現する適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-28T08:44:00Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z) - SOIC: Semantic Online Initialization and Calibration for LiDAR and
Camera [18.51029962714994]
本稿では,LiDARとカメラセンサのためのセマンティックベースのオンラインキャリブレーション手法SOICを提案する。
我々は,提案手法をGTで評価するか,KITTIデータセット上で予測する。
論文 参考訳（メタデータ） (2020-03-09T17:02:31Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z) - Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement [156.18634427704583]
本稿では、深部ネットワークを用いた画像特異的曲線推定のタスクとして光強調を定式化するゼロ参照深部曲線推定法(Zero-DCE)を提案する。
提案手法は,DCE-Netという軽量な深層ネットワークをトレーニングし,画像のダイナミックレンジ調整のための画素幅と高次曲線を推定する。
論文 参考訳（メタデータ） (2020-01-19T13:49:15Z)
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。