論文の概要: Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather

• arxiv url: http://arxiv.org/abs/2108.05249v2
• Date: Thu, 12 Aug 2021 12:42:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 11:27:35.674454
• Title: Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather
• Title（参考訳）: 逆気象下における3次元物体検出のための実LiDAR点雲の霧シミュレーション
• Authors: Martin Hahner, Christos Sakaridis, Dengxin Dai, Luc Van Gool
• Abstract要約: 本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
• 参考スコア（独自算出の注目度）: 92.84066576636914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work addresses the challenging task of LiDAR-based 3D object detection in foggy weather. Collecting and annotating data in such a scenario is very time, labor and cost intensive. In this paper, we tackle this problem by simulating physically accurate fog into clear-weather scenes, so that the abundant existing real datasets captured in clear weather can be repurposed for our task. Our contributions are twofold: 1) We develop a physically valid fog simulation method that is applicable to any LiDAR dataset. This unleashes the acquisition of large-scale foggy training data at no extra cost. These partially synthetic data can be used to improve the robustness of several perception methods, such as 3D object detection and tracking or simultaneous localization and mapping, on real foggy data. 2) Through extensive experiments with several state-of-the-art detection approaches, we show that our fog simulation can be leveraged to significantly improve the performance for 3D object detection in the presence of fog. Thus, we are the first to provide strong 3D object detection baselines on the Seeing Through Fog dataset. Our code is available at www.trace.ethz.ch/lidar_fog_simulation.
• Abstract（参考訳）: 本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 このようなシナリオでデータの収集と注釈は、非常に時間と労力とコストがかかります。 本稿では,晴天時に収集された既存の実データ集合をタスクに再利用できるように,物理的に正確な霧をクリアウィーザーシーンにシミュレートすることで,この問題に取り組む。 1)任意のLiDARデータセットに適用可能な物理的に有効な霧シミュレーション手法を開発する。 これにより、大規模なフォグジートレーニングデータの取得は、追加コストなしで解放される。 これらの部分合成データは、実霧データ上での3次元物体検出と追跡、同時局在化とマッピングなど、複数の知覚方法のロバスト性を改善するために使用できる。 2) 最先端検出手法を用いた広範囲な実験により, 霧の存在下での3次元物体検出の性能向上にフォグシミュレーションを活用できることを実証した。 そこで,我々はフォグデータセットを用いた観測において,強い3次元物体検出ベースラインを最初に提供した。 私たちのコードはwww.trace.ethz.ch/lidar_fog_simulationで利用可能です。

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)
• MoDAR: Using Motion Forecasting for 3D Object Detection in Point Cloud Sequences [38.7464958249103]
  我々は,動き予測出力を仮想モードのタイプとして用いて,LiDAR点雲を増大させるMoDARを提案する。 生のセンサーポイントと仮想ポイントの融合した点雲は、任意のオフザシェルフポイントクラウドベースの3Dオブジェクト検出器に供給される。
  論文  参考訳（メタデータ） (2023-06-05T19:28:19Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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)
• Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds [32.916690488130506]
  本稿では,3次元検出器が境界を意識して点雲の最も密集した領域に焦点を合わせるのを支援する普遍モジュールを提案する。 KITTIデータセットの実験により、DENFIはベースライン単段検出器の性能を著しく改善することが示された。
  論文  参考訳（メタデータ） (2020-04-01T01:21:23Z)

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。