Fugu-MT 論文翻訳(概要): Unsupervised Place Recognition with Deep Embedding Learning over Radar Videos

論文の概要: Unsupervised Place Recognition with Deep Embedding Learning over Radar Videos

arxiv url: http://arxiv.org/abs/2106.06703v1
Date: Sat, 12 Jun 2021 07:14:15 GMT
ステータス: 処理完了
システム内更新日: 2021-06-15 15:42:08.686860
Title: Unsupervised Place Recognition with Deep Embedding Learning over Radar Videos
Title（参考訳）: radarビデオによる深層埋め込み学習による教師なし位置認識
Authors: Matthew Gadd, Daniele De Martini, Paul Newman
Abstract要約: 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。最寄りのデータベース候補を用いた場合の98.38%を正確にローカライズし、最先端の教師付きアプローチを上回る性能を示す。
参考スコア（独自算出の注目度）: 31.04172735067443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We learn, in an unsupervised way, an embedding from sequences of radar images that is suitable for solving place recognition problem using complex radar data. We experiment on 280 km of data and show performance exceeding state-of-the-art supervised approaches, localising correctly 98.38% of the time when using just the nearest database candidate.
Abstract（参考訳）: 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の埋め込みを教師なしの方法で学習する。 280 kmのデータを実験し、最先端の教師付きアプローチを上回る性能を示し、最も近いデータベース候補を用いる場合の98.38%を正確にローカライズした。

関連論文リスト

Bootstrapping Autonomous Driving Radars with Self-Supervised Learning [13.13679517730015]
レーダモデルの訓練は、大規模レーダデータの注釈付けのコストと難しさによって妨げられている。本研究では,未ラベルのレーダデータを事前学習型レーダのみの埋め込みに活用して,自律型認識タスクを実現するための自己教師型学習フレームワークを提案する。下流オブジェクト検出に使用する場合、提案するセルフスーパービジョンフレームワークが、最先端の教師付きベースラインの精度をmAPで5.8%向上できることを実証する。
論文参考訳（メタデータ） (2023-12-07T18:38:39Z)
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)
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)
R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文参考訳（メタデータ） (2021-08-10T17:57:03Z)
Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning [11.259276512983492]
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。
論文参考訳（メタデータ） (2021-01-30T15:34:58Z)
Radar Artifact Labeling Framework (RALF): Method for Plausible Radar Detections in Datasets [2.5899040911480187]
粗いレーダ点雲のラベル付けのためのクロスセンサレーダアーチファクトラベルフレームワーク(RALF)を提案する。 RALFは、レーダーの生検出のための可視性ラベルを提供し、アーティファクトとターゲットを区別する。半手動ラベル付き地上真理データセットの3.28cdot106$ポイントの誤差測定値を評価することにより,結果を検証する。
論文参考訳（メタデータ） (2020-12-03T15:11:31Z)
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文参考訳（メタデータ） (2020-10-02T00:13:00Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)
Probabilistic Oriented Object Detection in Automotive Radar [8.281391209717103]
本稿では,レーダー物体検出のためのディープラーニングに基づくアルゴリズムを提案する。我々は102544フレームの生レーダと同期LiDARデータを備えた新しいマルチモーダルデータセットを作成しました。我々の最高性能レーダ検出モデルは、指向性IoU0.3で77.28%APを達成した。
論文参考訳（メタデータ） (2020-04-11T05:29:32Z)

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。