論文の概要: Optimising the selection of samples for robust lidar camera calibration
- arxiv url: http://arxiv.org/abs/2103.12287v1
- Date: Tue, 23 Mar 2021 03:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:46:01.913292
- Title: Optimising the selection of samples for robust lidar camera calibration
- Title(参考訳): ロバストlidarカメラキャリブレーションのためのサンプル選択の最適化
- Authors: Darren Tsai, Stewart Worrall, Mao Shan, Anton Lohr, Eduardo Nebot
- Abstract要約: シーン全体に適したキャリブレーションパラメータを推定するためのキャリブレーションサンプルの選択を最適化する,ロバストなキャリブレーションパイプラインを提案する。
このVOQスコアは,推定キャリブレーションパラメータがシーン全体に対してよく一般化する能力と相関していることを示す。
提案するキャリブレーションパイプラインは90秒で1-1.2cm,標準偏差0.4-0.5cmで46のシーンに均等に分布する。
- 参考スコア(独自算出の注目度): 5.489796702858156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a robust calibration pipeline that optimises the selection of
calibration samples for the estimation of calibration parameters that fit the
entire scene. We minimise user error by automating the data selection process
according to a metric, called Variability of Quality (VOQ) that gives a score
to each calibration set of samples. We show that this VOQ score is correlated
with the estimated calibration parameter's ability to generalise well to the
entire scene, thereby overcoming the overfitting problems of existing
calibration algorithms. Our approach has the benefits of simplifying the
calibration process for practitioners of any calibration expertise level and
providing an objective measure of the quality for our calibration pipeline's
input and output data. We additionally use a novel method of assessing the
accuracy of the calibration parameters. It involves computing reprojection
errors for the entire scene to ensure that the parameters are well fitted to
all features in the scene. Our proposed calibration pipeline takes 90s, and
obtains an average reprojection error of 1-1.2cm, with standard deviation of
0.4-0.5cm over 46 poses evenly distributed in a scene. This process has been
validated by experimentation on a high resolution, software definable lidar,
Baraja Spectrum-Scan; and a low, fixed resolution lidar, Velodyne VLP-16. We
have shown that despite the vast differences in lidar technologies, our
proposed approach manages to estimate robust calibration parameters for both.
Our code and data set used for this paper are made available as open-source.
- Abstract(参考訳): シーン全体に適したキャリブレーションパラメータを推定するためのキャリブレーションサンプルの選択を最適化する,ロバストなキャリブレーションパイプラインを提案する。
本稿では,データ選択プロセスの自動化によるユーザエラーの最小化を,サンプルのキャリブレーションセット毎にスコアを与える“variability of quality(voq)”と呼ばれるメトリクスによって行う。
このVOQスコアは,推定キャリブレーションパラメータがシーン全体に対して適切に一般化する能力と相関し,既存のキャリブレーションアルゴリズムのオーバーフィット問題を克服することを示す。
本手法は, キャリブレーションの専門知識レベルの実践者に対して, キャリブレーションプロセスの簡易化と, キャリブレーションパイプラインの入出力データの品質を客観的に測定することによる。
さらに,キャリブレーションパラメータの精度を評価する新しい手法を提案する。
シーン全体の再プロジェクションエラーを計算し、パラメータがシーン内のすべての機能に適切に適合するようにします。
提案するキャリブレーションパイプラインは90秒で1-1.2cm,標準偏差0.4-0.5cmで46のシーンに均等に分布する。
このプロセスは、高解像度、ソフトウェア定義可能なライダーBaraja Spectrum-Scan、低解像度のVelodyne VLP-16の実験によって検証されている。
ライダー技術に大きな違いがあるにも関わらず,提案手法は両者のロバストなキャリブレーションパラメータを推定できることを示した。
この論文に使用するコードとデータセットは、オープンソースとして利用可能です。
関連論文リスト
- Deep Ensemble Shape Calibration: Multi-Field Post-hoc Calibration in
Online Advertising [8.945197427679924]
電子商取引のシナリオでは、CTRとCVRの真の確率(キャリブレーション推定として知られる)を推定することが重要である。
従来の研究では、キャリブレーション問題に対処するためのソリューションが数多く導入されている。
本稿では,関数表現機能とデータ利用機能の両方を強化する革新的な基底キャリブレーション機能を提案する。
論文 参考訳(メタデータ) (2024-01-17T11:41:11Z) - CalibFormer: A Transformer-based Automatic LiDAR-Camera Calibration
Network [10.868311812390093]
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) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - Adaptive Calibrator Ensemble for Model Calibration under Distribution
Shift [23.794897699193875]
アダプティブ・キャリブレータ・アンサンブル(ACE)は、通常はキャリブレーション・セットよりも難しいOODデータセットをキャリブレーション・セットに分類する。
ACEは一般に、一連のOODベンチマークにおけるいくつかの最先端のキャリブレーション方式の性能を改善している。
論文 参考訳(メタデータ) (2023-03-09T15:22:02Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳(メタデータ) (2022-07-13T14:13:49Z) - Recalibrating the KITTI Dataset Camera Setup for Improved Odometry
Accuracy [3.3517146652431378]
我々は,KITTIデータセットの1ショットキャリブレーションのための新しいアプローチを提案する。
この手法は、低い校正再投射誤差と低い視覚計測誤差の両方において、より良い校正パラメータをもたらす。
オードメトリであるSOFT2とキャリブレーション法を併用して,公式のKITTIスコアボードにおいて高い精度を実現した。
論文 参考訳(メタデータ) (2021-09-08T07:18:59Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2021-02-24T10:18:30Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳(メタデータ) (2021-02-22T07:22:12Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳(メタデータ) (2021-01-12T12:02:26Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳(メタデータ) (2020-07-17T07:32:24Z)
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。