論文の概要: What s in My LiDAR Odometry Toolbox?

• arxiv url: http://arxiv.org/abs/2103.09708v1
• Date: Wed, 17 Mar 2021 15:04:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 12:53:12.425382
• Title: What s in My LiDAR Odometry Toolbox?
• Title（参考訳）: 私のLiDAR Odometry Toolboxには何があるのか?
• Authors: Pierre Dellenbach, Jean-Emmanuel Deschaud, Bastien Jacquet, Fran\c{c}ois Goulette
• Abstract要約: 主要な3D LiDARオドメトリを異なるカテゴリにレビューし、整理します。 我々は,その強みと弱みを深く分析するためのアプローチ(地理ベース,深層学習ベース,ハイブリッド手法)を実装した。 メソッドの実装はhttps://gitlab.kitware.com/keu-computervision/pylidar-slamで公開されている。
• 参考スコア（独自算出の注目度）: 5.590924316241286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the democratization of 3D LiDAR sensors, precise LiDAR odometries and SLAM are in high demand. New methods regularly appear, proposing solutions ranging from small variations in classical algorithms to radically new paradigms based on deep learning. Yet it is often difficult to compare these methods, notably due to the few datasets on which the methods can be evaluated and compared. Furthermore, their weaknesses are rarely examined, often letting the user discover the hard way whether a method would be appropriate for a use case. In this paper, we review and organize the main 3D LiDAR odometries into distinct categories. We implemented several approaches (geometric based, deep learning based, and hybrid methods) to conduct an in-depth analysis of their strengths and weaknesses on multiple datasets, guiding the reader through the different LiDAR odometries available. Implementation of the methods has been made publicly available at https://gitlab.kitware.com/keu-computervision/pylidar-slam.
• Abstract（参考訳）: 3次元LiDARセンサの民主化により、正確なLiDARオドメトリーとSLAMが要求される。 新しい手法が定期的に登場し、古典的アルゴリズムの小さなバリエーションから、ディープラーニングに基づく急進的な新しいパラダイムまで、ソリューションを提案している。 しかし、これらの方法を比較することはしばしば困難であり、特に、メソッドを評価し比較できる数少ないデータセットのためである。 さらに、その弱点を調べることは滅多になく、多くの場合、あるメソッドがユースケースに適しているかどうかをユーザーに発見させる。 本稿では,主要3次元LiDARオドメトリーを異なるカテゴリに分類し,整理する。 複数のデータセット上でその強みと弱みを深く分析するために、いくつかのアプローチ(ジオメトリックベース、ディープラーニングベース、ハイブリッド手法)を実装し、利用可能な異なるlidarオドメトリを読者に案内した。 メソッドの実装はhttps://gitlab.kitware.com/keu-computervision/pylidar-slamで公開されている。

関連論文リスト

• Text3DAug -- Prompted Instance Augmentation for LiDAR Perception [1.1633929083694388]
  都市シナリオのLiDARデータは、異種特性や固有のクラス不均衡など、ユニークな課題を提起する。 生成モデルを利用した新しいアプローチであるText3DAugを提案する。 Text3DAugはラベル付きデータに依存しておらず、テキストからインスタンスやアノテーションを生成する最初のタイプである。
  論文  参考訳（メタデータ） (2024-08-26T13:16:03Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• LiDAR-UDA: Self-ensembling Through Time for Unsupervised LiDAR Domain Adaptation [22.206488779765234]
  LiDARセグメンテーションのための新しい2段階自己学習型Unsupervised Domain Adaptation (UDA) 手法であるLiDAR-UDAを紹介する。 本稿では,センサの誤差を低減し,擬似ラベル品質を向上させる2つの手法を提案する。 提案手法をいくつかの公開LiDARデータセット上で評価し,最先端の手法を平均3.9%以上のmIoUで上回っていることを示す。
  論文  参考訳（メタデータ） (2023-09-24T02:02:00Z)
• LiDAR Meta Depth Completion [47.99004789132264]
  本稿では,データパターンを用いてタスクネットワークを学習し,与えられた深度完了タスクを効果的に解決するメタ深度補完ネットワークを提案する。 一つのモデルを用いて、異なるLiDARパターンで訓練された非適応ベースラインよりも、はるかに優れた結果が得られる。 これらの利点は、異なるセンサーに単一の深度補完モデルの柔軟な展開を可能にする。
  論文  参考訳（メタデータ） (2023-07-24T13:05:36Z)
• Towards Long-Tailed 3D Detection [56.82185415482943]
  本研究では,Long-Tailed 3D Detection (LT3D) の課題について検討した。 各クラスの平均APは5%改善し,レアクラスのAPは劇的に改善した。
  論文  参考訳（メタデータ） (2022-11-16T06:00:47Z)
• ECTLO: Effective Continuous-time Odometry Using Range Image for LiDAR with Small FoV [20.452961476175812]
  非繰り返し走査パターンを持つリズレープリズムに基づくLiDARに対する実効連続時間LiDARオドメトリー(ECTLO)法を提案する。 効率的な地図表現には、LiDARの小さなFoVの歴史的点をカバーする単一のレンジ画像が採用されている。 プリズムをベースとしたLiDARを走査パターンの異なる様々なテストベッドで実験を行った。
  論文  参考訳（メタデータ） (2022-06-17T02:41:48Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。