論文の概要: A Pedestrian Detection and Tracking Framework for Autonomous Cars: Efficient Fusion of Camera and LiDAR Data

• arxiv url: http://arxiv.org/abs/2108.12375v1
• Date: Fri, 27 Aug 2021 16:16:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:25:11.623009
• Title: A Pedestrian Detection and Tracking Framework for Autonomous Cars: Efficient Fusion of Camera and LiDAR Data
• Title（参考訳）: 自動運転車の歩行者検出・追跡フレームワーク:カメラとLiDARデータの効率的な融合
• Authors: Muhammad Mobaidul Islam, Abdullah Al Redwan Newaz, and Ali Karimoddini
• Abstract要約: 本稿では,カメラとLiDARセンサデータを用いた歩行者検出と追跡のための新しい手法を提案する。 検出フェーズは、LiDARストリームを計算的に抽出可能な深度画像に変換し、さらに、歩行者候補を特定するディープニューラルネットワークを開発する。 トラッキングフェーズは、Kalmanフィルタ予測と、シーン内の複数の歩行者を追跡するための光フローアルゴリズムの組み合わせである。
• 参考スコア（独自算出の注目度）: 0.17205106391379021
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a novel method for pedestrian detection and tracking by fusing camera and LiDAR sensor data. To deal with the challenges associated with the autonomous driving scenarios, an integrated tracking and detection framework is proposed. The detection phase is performed by converting LiDAR streams to computationally tractable depth images, and then, a deep neural network is developed to identify pedestrian candidates both in RGB and depth images. To provide accurate information, the detection phase is further enhanced by fusing multi-modal sensor information using the Kalman filter. The tracking phase is a combination of the Kalman filter prediction and an optical flow algorithm to track multiple pedestrians in a scene. We evaluate our framework on a real public driving dataset. Experimental results demonstrate that the proposed method achieves significant performance improvement over a baseline method that solely uses image-based pedestrian detection.
• Abstract（参考訳）: 本稿では,カメラとLiDARセンサデータを用いた歩行者検出・追跡手法を提案する。 自動運転シナリオに関連する課題に対処するために,トラッキングと検出の統合フレームワークが提案されている。 検出フェーズは、LiDARストリームを計算的に抽出可能な深度画像に変換し、RGBと深度画像の両方の歩行者候補を特定するディープニューラルネットワークを開発する。 正確な情報を提供するため、カルマンフィルタを用いたマルチモーダルセンサ情報を用いて検出フェーズをさらに強化する。 トラッキングフェーズは、Kalmanフィルタ予測と、シーン内の複数の歩行者を追跡するための光フローアルゴリズムの組み合わせである。 我々は,我々のフレームワークを実際の運転データセット上で評価する。 実験の結果, 提案手法は, 歩行者検出のみを用いたベースライン法に比べて有意な性能改善が得られた。

関連論文リスト

• Multi-Object Tracking based on Imaging Radar 3D Object Detection [0.13499500088995461]
  本稿では,古典的追跡アルゴリズムを用いて,周囲の交通参加者を追跡する手法を提案する。 学習に基づく物体検出器はライダーとカメラのデータに適切に対応し、学習に基づく物体検出器は標準のレーダーデータ入力により劣っていることが示されている。 レーダセンサ技術の改良により、レーダの物体検出性能は大幅に改善されたが、レーダ点雲の広さによりライダーセンサに制限されている。 追跡アルゴリズムは、一貫したトラックを生成しながら、限られた検出品質を克服しなければならない。
  論文  参考訳（メタデータ） (2024-06-03T05:46:23Z)
• Multi-Object Tracking with Camera-LiDAR Fusion for Autonomous Driving [0.764971671709743]
  提案したMOTアルゴリズムは、3段階のアソシエーションプロセスと、検出された動的障害物の運動を推定する拡張カルマンフィルタと、トラック管理フェーズとを備える。 多くの最先端のマルチモーダルMOTアプローチとは異なり、提案アルゴリズムはエゴのグローバルなポーズの地図や知識に依存しない。 このアルゴリズムはシミュレーションと実世界のデータの両方で検証され、良好な結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T23:49:16Z)
• 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)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Trajectory Poisson multi-Bernoulli mixture filter for traffic monitoring using a drone [17.636403357588897]
  本稿では,光・熱カメラを搭載したドローンを用いた交通監視のための多目的追跡(MOT)アルゴリズムを提案する。 画像上の物体検出は、カメラの種類ごとにニューラルネットワークを用いて行われる。 合成および実験データセットにおけるTPMBMフィルタの精度を検証した。
  論文  参考訳（メタデータ） (2023-06-29T12:22:47Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
  既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。 本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。 本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
  論文  参考訳（メタデータ） (2022-04-27T13:10:48Z)
• CFTrack: Center-based Radar and Camera Fusion for 3D Multi-Object Tracking [9.62721286522053]
  本稿では,レーダとカメラセンサの融合に基づく共同物体検出と追跡のためのエンドツーエンドネットワークを提案する。 提案手法では,物体検出に中心型レーダカメラ融合アルゴリズムを用い,物体関連にグリーディアルゴリズムを用いる。 提案手法は,20.0AMOTAを達成し,ベンチマークにおける視覚ベースの3Dトラッキング手法よりも優れる,挑戦的なnuScenesデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-11T23:56:53Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
  カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。 本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。 提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
  論文  参考訳（メタデータ） (2020-10-09T22:48:20Z)
• Tracking Road Users using Constraint Programming [79.32806233778511]
  本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。 提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
  論文  参考訳（メタデータ） (2020-03-10T00:04:32Z)

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。

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。