論文の概要: Multi-Echo LiDAR for 3D Object Detection

• arxiv url: http://arxiv.org/abs/2107.11470v1
• Date: Fri, 23 Jul 2021 21:43:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:09:48.548280
• Title: Multi-Echo LiDAR for 3D Object Detection
• Title（参考訳）: 3次元物体検出用マルチエコーライダー
• Authors: Yunze Man, Xinshuo Weng, Prasanna Kumar Sivakuma, Matthew O'Toole, Kris Kitani
• Abstract要約: 単一レーザーパルスはその経路に沿って複数の物体によって部分的に反射され、エコーと呼ばれる複数の測定結果が得られる。 LiDARは、表面反射率(レーザーパルスリターンの強度)や、シーンの周囲の光を測定することもできる。 本稿では,LiDARによる計測信号の全スペクトルを利用する3次元物体検出モデルを提案する。
• 参考スコア（独自算出の注目度）: 29.690900492033578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR sensors can be used to obtain a wide range of measurement signals other than a simple 3D point cloud, and those signals can be leveraged to improve perception tasks like 3D object detection. A single laser pulse can be partially reflected by multiple objects along its path, resulting in multiple measurements called echoes. Multi-echo measurement can provide information about object contours and semi-transparent surfaces which can be used to better identify and locate objects. LiDAR can also measure surface reflectance (intensity of laser pulse return), as well as ambient light of the scene (sunlight reflected by objects). These signals are already available in commercial LiDAR devices but have not been used in most LiDAR-based detection models. We present a 3D object detection model which leverages the full spectrum of measurement signals provided by LiDAR. First, we propose a multi-signal fusion (MSF) module to combine (1) the reflectance and ambient features extracted with a 2D CNN, and (2) point cloud features extracted using a 3D graph neural network (GNN). Second, we propose a multi-echo aggregation (MEA) module to combine the information encoded in different set of echo points. Compared with traditional single echo point cloud methods, our proposed Multi-Signal LiDAR Detector (MSLiD) extracts richer context information from a wider range of sensing measurements and achieves more accurate 3D object detection. Experiments show that by incorporating the multi-modality of LiDAR, our method outperforms the state-of-the-art by up to 9.1%.
• Abstract（参考訳）: LiDARセンサーは、単純な3Dポイントクラウド以外の幅広い計測信号を得るために使用することができ、これらの信号を利用して3Dオブジェクト検出のような知覚タスクを改善することができる。 単一レーザーパルスはその経路に沿って複数の物体によって部分的に反射され、エコーと呼ばれる複数の測定結果が得られる。 マルチエコ計測は、オブジェクトの輪郭や半透明な表面に関する情報を提供することができる。 lidarはまた、表面反射率(レーザーパルスリターンの強度)や、シーンの周囲光(物体が反射する太陽光)を測定することもできる。 これらの信号は、既に商用のLiDARデバイスで利用可能であるが、ほとんどのLiDARベースの検出モデルでは使用されていない。 本稿では,LiDARによる計測信号の全スペクトルを利用する3次元物体検出モデルを提案する。 まず,(1)2次元CNNで抽出した反射特性と周囲特徴と,(2)3次元グラフニューラルネットワーク(GNN)を用いて抽出した点雲特徴とを組み合わせた多信号融合(MSF)モジュールを提案する。 次に,異なるエコー点の集合に符号化された情報を組み合わせたマルチエコアグリゲーション(MEA)モジュールを提案する。 従来の単一エコーポイントクラウド法と比較して,提案手法では,より広い範囲のセンシング計測からよりリッチなコンテキスト情報を抽出し,より正確な3次元物体検出を実現する。 実験の結果,LiDARのマルチモーダリティを組み込むことで,最先端の技術を最大9.1%向上させることができることがわかった。

関連論文リスト

• VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
  モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。 本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-04-15T03:12:12Z)
• Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
  単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。 本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。 3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
  論文  参考訳（メタデータ） (2024-04-10T03:54:53Z)
• Improving LiDAR 3D Object Detection via Range-based Point Cloud Density Optimization [13.727464375608765]
  既存の3Dオブジェクト検出器は、遠くにある領域とは対照的に、LiDARセンサーに近い点雲領域でよく機能する傾向にある。 センサ近傍の高密度物体に対する検出モデルには学習バイアスがあり、異なる距離で入力点雲密度を操作するだけで検出性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-09T04:11:43Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
  本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。 得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。 実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-26T09:21:41Z)
• LIGA-Stereo: Learning LiDAR Geometry Aware Representations for Stereo-based 3D Detector [80.7563981951707]
  本稿では,LIGA-Stereoによるステレオ3次元検出器の学習について,LiDARに基づく検出モデルの高レベルな幾何認識表現の指導の下で提案する。 現状のステレオ検出器と比較して,車,歩行者,サイクリストの3次元検出性能は,それぞれ10.44%,5.69%,5.97%向上した。
  論文  参考訳（メタデータ） (2021-08-18T17:24:40Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)
• MLOD: Awareness of Extrinsic Perturbation in Multi-LiDAR 3D Object Detection for Autonomous Driving [10.855519369371853]
  外部摂動は常に複数のセンサーに存在する。 MLODと呼ばれるマルチLiDAR3Dオブジェクト検出器を提案する。 実世界のデータセットで広範な実験を行う。
  論文  参考訳（メタデータ） (2020-09-29T06:11:22Z)

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。