論文の概要: Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning

• arxiv url: http://arxiv.org/abs/2102.04960v1
• Date: Sat, 30 Jan 2021 15:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 09:41:55.444106
• Title: Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning
• Title（参考訳）: Radar-to-Lidar: 共同学習による異種位置認識
• Authors: Huan Yin, Xuecheng Xu, Yue Wang and Rong Xiong
• Abstract要約: 本稿では,長期的位置認識のためのヘテロジニアス測定に基づくフレームワークを提案する。 深層ニューラルネットワークは、学習段階での共同トレーニングとともに構築され、テスト段階では、レーダーとライダーの共有埋め込みが抽出され、異種な場所認識が行われる。 実験結果から, 本モデルではライダー対ライダー, レーダー対レーダー, レーダー対ライダーの認識が可能であり, 学習モデルは1回に1回しか訓練されないことがわかった。
• 参考スコア（独自算出の注目度）: 11.259276512983492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Place recognition is critical for both offline mapping and online localization. However, current single-sensor based place recognition still remains challenging in adverse conditions. In this paper, a heterogeneous measurements based framework is proposed for long-term place recognition, which retrieves the query radar scans from the existing lidar maps. To achieve this, a deep neural network is built with joint training in the learning stage, and then in the testing stage, shared embeddings of radar and lidar are extracted for heterogeneous place recognition. To validate the effectiveness of the proposed method, we conduct tests and generalization on the multi-session public datasets compared to other competitive methods. The experimental results indicate that our model is able to perform multiple place recognitions: lidar-to-lidar, radar-to-radar and radar-to-lidar, while the learned model is trained only once. We also release the source code publicly.
• Abstract（参考訳）: 位置認識はオフラインマッピングとオンラインローカライゼーションの両方において重要である。 しかし、現在の単一センサによる位置認識は、いまだに悪条件下では困難である。 本稿では,既存のlidarマップからクエリレーダスキャンを検索する,長期位置認識のための不均質な測定に基づくフレームワークを提案する。 これを実現するために、学習段階で共同トレーニングを施したディープニューラルネットワークを構築し、テスト段階では、異種位置認識のためにレーダーとライダーの共有埋め込みを抽出する。 提案手法の有効性を検証するため,他の競合手法と比較して,マルチセッション公開データセット上でテストと一般化を行う。 実験結果から,本モデルでは,lidar-to-lidar,radar-to-radar,radar-to-lidarの複数の位置認識が可能であり,学習したモデルは1回のみ学習可能であることが示された。 ソースコードも公開しています。

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
  無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
  論文  参考訳（メタデータ） (2023-12-15T01:56:27Z)
• RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
  我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。 複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-09-18T15:37:01Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• DOAD: Decoupled One Stage Action Detection Network [77.14883592642782]
  人々をローカライズし、ビデオからアクションを認識することは、ハイレベルなビデオ理解にとって難しい課題だ。 既存の手法は主に2段階ベースで、1段階は人物境界ボックス生成、もう1段階は行動認識を行う。 本稿では、時間的行動検出の効率を向上させるために、DOADと呼ばれる分離したワンステージネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-01T08:06:43Z)
• Contrastive Learning for Unsupervised Radar Place Recognition [31.04172735067443]
  我々は、複雑なレーダデータを用いて、位置認識問題を解決するのに適したレーダ画像のシーケンスから、教師なしの方法で埋め込みを学習する。 我々は400km以上の走行が可能な2つの著名な都市レーダデータセットを実験し、新しいレーダ位置認識状態を実現することを示す。
  論文  参考訳（メタデータ） (2021-10-06T13:34:09Z)
• RadarLoc: Learning to Relocalize in FMCW Radar [36.68888832365474]
  6-DoFのグローバルポーズを直接推定できる,自己アテンションを備えた新しいエンドツーエンドニューラルネットワークであるRadarLocを提案する。 我々は最近リリースされた屋外データセットOxford Radar RobotCarに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-22T03:22:37Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable Measurement Model [14.155337185792279]
  ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。 RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。 提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
  論文  参考訳（メタデータ） (2020-09-15T13:13:38Z)

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。