Fugu-MT 論文翻訳(概要): Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor

論文の概要: Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor

arxiv url: http://arxiv.org/abs/2108.05560v1
Date: Thu, 12 Aug 2021 06:52:10 GMT
ステータス: 処理完了
システム内更新日: 2021-08-13 14:25:14.294729
Title: Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor
Title（参考訳）: パッチワーク:3次元LiDARセンサを用いた地盤形状推定による同心域型地域区分
Authors: Hyungtae Lim, Minho Oh, Hyun Myung
Abstract要約: 地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
参考スコア（独自算出の注目度）: 0.1657441317977376
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Ground segmentation is crucial for terrestrial mobile platforms to perform navigation or neighboring object recognition. Unfortunately, the ground is not flat, as it features steep slopes; bumpy roads; or objects, such as curbs, flower beds, and so forth. To tackle the problem, this paper presents a novel ground segmentation method called \textit{Patchwork}, which is robust for addressing the under-segmentation problem and operates at more than 40 Hz. In this paper, a point cloud is encoded into a Concentric Zone Model-based representation to assign an appropriate density of cloud points among bins in a way that is not computationally complex. This is followed by Region-wise Ground Plane Fitting, which is performed to estimate the partial ground for each bin. Finally, Ground Likelihood Estimation is introduced to dramatically reduce false positives. As experimentally verified on SemanticKITTI and rough terrain datasets, our proposed method yields promising performance compared with the state-of-the-art methods, showing faster speed compared with existing plane fitting--based methods. Code is available: https://github.com/LimHyungTae/patchwork
Abstract（参考訳）: 地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや隣接する物体認識を行うために不可欠である。残念なことに、地面は急な斜面、曲がりくねった道路、あるいは縁石や花壇などの物体を特徴としているため、平らではない。この問題に対処するため,本論文では,低セグメンテーション問題に対処し,40Hz以上の動作が可能な新しいグラウンドセグメンテーション法である「textit{Patchwork}」を提案する。本稿では, 点雲を同心域モデルに基づく表現に符号化し, 計算的に複雑でない方法で, ビン間の雲点の適切な密度を割り当てる。これに続いて、各ビンの部分的な接地を推定するために、リージョンワイドの接地面フィッティングが行われる。最後に、偽陽性を劇的に減らすために、Sarth Likelihood Estimationを導入する。提案手法は,SemanticKITTIおよび粗地形データセットで実験的に検証され,現状の手法と比較して有望な性能を示し,既存の平面フィッティング法と比較して高速な性能を示す。コードは:https://github.com/LimHyungTae/patchwork

関連論文リスト

GroundGrid:LiDAR Point Cloud Ground Segmentation and Terrain Estimation [0.7373617024876724]
本研究では,2次元標高マップを用いて地形推定と点雲地分断問題を解くシステムであるGroundGridを提案する。グラウンドグリッドのグラウンドセグメンテーションと地形推定性能を評価し,他の最先端手法と比較した。この結果から、GroundGridは平均94.78%のIoUで他の最先端システムよりも高速で171Hzの性能を維持することができることがわかった。
論文参考訳（メタデータ） (2024-05-24T16:02:44Z)
A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads [10.367730390937622]
関心領域抽出, ポイントクラウド登録, バックグラウンドサブトラクションの3つの部分を含む, ポイントクラウドマップに基づくグラウンドセグメンテーション手法を提案する。実験の結果, グラウンドポイントの正しいセグメンテーション率は99.95%であり, ランニング時間は26msであることがわかった。提案手法は,オープンピット鉱山に代表される非構造道路シナリオに適用可能である。
論文参考訳（メタデータ） (2023-09-15T05:23:16Z)
GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文参考訳（メタデータ） (2022-11-30T06:02:01Z)
Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである本稿では,両問題を一度に解決するGPENetを提案する。我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文参考訳（メタデータ） (2022-11-03T02:21:35Z)
Patchwork++: Fast and Robust Ground Segmentation Solving Partial Under-Segmentation Using 3D Point Cloud [7.111443975103329]
いくつかのグラウンドセグメンテーション法では、周囲に応じてパラメータを微調整する必要がある。部分的な部分分割問題は依然として発生しうるが、これは一部の地域でのグラウンドセグメンテーションの失敗を意味する。 3次元LiDARモデルに基づいて,仮想ノイズを効率的に除去する反射ノイズ除去(RNR)を提案する。
論文参考訳（メタデータ） (2022-07-25T06:09:02Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
On Enhancing Ground Surface Detection from Sparse Lidar Point Cloud [6.577622354490276]
本稿では,低ビーム分解能ライダーにより捕捉された多くのスペーサー点雲に適用可能な地盤検出手法を提案する。この手法はRANSACの平面フィッティング方式に基づいている。
論文参考訳（メタデータ） (2021-05-25T03:58:18Z)
PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文参考訳（メタデータ） (2021-03-11T09:42:32Z)
A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field [0.32546166337127946]
粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
論文参考訳（メタデータ） (2020-11-26T06:07:24Z)
Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文参考訳（メタデータ） (2020-07-20T12:07:48Z)
Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。