論文の概要: A Survey on Deep Domain Adaptation for LiDAR Perception

• arxiv url: http://arxiv.org/abs/2106.02377v1
• Date: Fri, 4 Jun 2021 09:42:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 15:25:13.333096
• Title: A Survey on Deep Domain Adaptation for LiDAR Perception
• Title（参考訳）: LiDAR知覚における深部領域適応の検討
• Authors: Larissa T. Triess and Mariella Dreissig and Christoph B. Rist and J. Marius Z\"ollner
• Abstract要約: LiDARは自動走行のための重要なセンサーであり、車両の周囲の詳細な3Dスキャンを提供する。 本稿では,近年のドメイン適応手法の進歩を概観し,LiDARの知覚を対象とする興味深い研究課題を定式化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable systems for automated driving have to reliably cope with an open-world setting. This means, the perception systems are exposed to drastic domain shifts, like changes in weather conditions, time-dependent aspects, or geographic regions. Covering all domains with annotated data is impossible because of the endless variations of domains and the time-consuming and expensive annotation process. Furthermore, fast development cycles of the system additionally introduce hardware changes, such as sensor types and vehicle setups, and the required knowledge transfer from simulation. To enable scalable automated driving, it is therefore crucial to address these domain shifts in a robust and efficient manner. Over the last years, a vast amount of different domain adaptation techniques evolved. There already exists a number of survey papers for domain adaptation on camera images, however, a survey for LiDAR perception is absent. Nevertheless, LiDAR is a vital sensor for automated driving that provides detailed 3D scans of the vehicle's surroundings. To stimulate future research, this paper presents a comprehensive review of recent progress in domain adaptation methods and formulates interesting research questions specifically targeted towards LiDAR perception.
• Abstract（参考訳）: 自動運転のためのスケーラブルなシステムは、オープンワールド設定に確実に対応する必要があります。 つまり、知覚システムは、気象条件の変化、時間依存的な側面、地理的領域など、劇的な領域シフトにさらされる。 アノテーション付きデータですべてのドメインをカバーすることは、ドメインの無限のバリエーションと、時間と費用のかかるアノテーションプロセスのために不可能である。 さらに、システムの高速な開発サイクルでは、センサタイプや車両の設定といったハードウェアの変更や、シミュレーションから必要な知識の転送も追加されている。 スケーラブルな自動運転を実現するためには、これらのドメインシフトを堅牢かつ効率的な方法で対処することが不可欠である。 過去数年間で、膨大な量の異なるドメイン適応技術が進化しました。 カメラ画像へのドメイン適応に関する調査論文は数多く存在するが、LiDARの認識に関する調査は欠落している。 それでもLiDARは自動走行のための重要なセンサーであり、車両の周囲の詳細な3Dスキャンを提供する。 本稿では,近年のドメイン適応手法の進歩を概観し,LiDARの認識を対象とする興味深い研究課題を定式化する。

関連論文リスト

• Exploring Domain Shift on Radar-Based 3D Object Detection Amidst Diverse Environmental Conditions [15.767261586617746]
  この研究は、4Dレーダーによる物体検出において、しばしば見過ごされがちな領域シフトの問題について考察する。 以上の結果から,様々な気象シナリオにまたがるドメインシフトが明らかになり,ユニークなデータセットの感度が明らかになった。 異なる道路タイプ、特に高速道路から都市環境への移行は、顕著な領域シフトをもたらします。
  論文  参考訳（メタデータ） (2024-08-13T09:55:38Z)
• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 提案手法は,様々なドメイン適応設定下で評価し,その結果,異なるデータセット間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• Automatic Odometry-Less OpenDRIVE Generation From Sparse Point Clouds [1.3351610617039973]
  高解像度道路表現は、自動運転機能の成功の鍵となる要素である。 本稿では,ポイントクラウド情報のみに基づいて,現実的な道路表現を生成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T08:26:24Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques [0.0]
  知覚システムは、車両の環境をリアルタイムで正確に解釈する上で重要な役割を果たす。 ディープラーニング技術は、センサーから大量のデータを意味情報に変換する。 3Dオブジェクト検出法は、LiDARやステレオカメラなどのセンサーから追加のポーズデータを利用することで、オブジェクトのサイズと位置に関する情報を提供する。
  論文  参考訳（メタデータ） (2022-02-05T09:34:58Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)

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。