論文の概要: A Divide-and-Merge Point Cloud Clustering Algorithm for LiDAR Panoptic
Segmentation
- arxiv url: http://arxiv.org/abs/2109.08224v1
- Date: Thu, 16 Sep 2021 21:15:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-20 14:33:29.418575
- Title: A Divide-and-Merge Point Cloud Clustering Algorithm for LiDAR Panoptic
Segmentation
- Title（参考訳）: LiDARパノプティブセグメンテーションのためのディバイド・アンド・マージポイントクラウドクラスタリングアルゴリズム
- Authors: Yiming Zhao, Xiao Zhang, and Xinming Huang
- Abstract要約: LiDARポイントクラウドからのオブジェクトのクラスタリングは、自律運転など多くのアプリケーションにおいて重要な研究課題である。
本稿では,分割結合型LiDARクラスタリングアルゴリズムを提案する。
C++で実装され、python関数としてラップされる。
- 参考スコア（独自算出の注目度）: 9.910277829897744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clustering objects from the LiDAR point cloud is an important research
problem with many applications such as autonomous driving. To meet the
real-time requirement, existing research proposed to apply the
connected-component-labeling (CCL) technique on LiDAR spherical range image
with a heuristic condition to check if two neighbor points are connected.
However, LiDAR range image is different from a binary image which has a
deterministic condition to tell if two pixels belong to the same component. The
heuristic condition used on the LiDAR range image only works empirically, which
suggests the LiDAR clustering algorithm should be robust to potential failures
of the empirical heuristic condition. To overcome this challenge, this paper
proposes a divide-and-merge LiDAR clustering algorithm. This algorithm firstly
conducts clustering in each evenly divided local region, then merges the local
clustered small components by voting on edge point pairs. Assuming there are
$N$ LiDAR points of objects in total with $m$ divided local regions, the time
complexity of the proposed algorithm is $O(N)+O(m^2)$. A smaller $m$ means the
voting will involve more neighbor points, but the time complexity will become
larger. So the $m$ controls the trade-off between the time complexity and the
clustering accuracy. A proper $m$ helps the proposed algorithm work in
real-time as well as maintain good performance. We evaluate the
divide-and-merge clustering algorithm on the SemanticKITTI panoptic
segmentation benchmark by cascading it with a state-of-the-art semantic
segmentation model. The final performance evaluated through the leaderboard
achieves the best among all published methods. The proposed algorithm is
implemented with C++ and wrapped as a python function. It can be easily used
with the modern deep learning framework in python.
- Abstract（参考訳）: LiDARポイントクラウドからのオブジェクトのクラスタリングは、自律運転など多くのアプリケーションにおいて重要な研究課題である。
実時間要求を満たすため,2つの隣接点が接続されているかどうかをヒューリスティック条件付きLiDAR球面領域画像に接続成分ラベル(CCL)技術を適用することを提案する。
しかし、lidar範囲画像は、2つのピクセルが同じコンポーネントに属するかどうかを決定論的に判断する2値画像とは異なる。
LiDAR領域の画像で使用されるヒューリスティックな条件は経験的にのみ有効であり、これはLiDARクラスタリングアルゴリズムが経験的ヒューリスティックな条件の潜在的な失敗に対して堅牢であることを示唆している。
この課題を克服するために,本研究では分割結合型LiDARクラスタリングアルゴリズムを提案する。
このアルゴリズムはまず各均等に分割された局所領域のクラスタリングを行い、その後、エッジポイント対に投票して局所的なクラスタ化された小さなコンポーネントをマージする。
オブジェクトの合計$N$ LiDARポイントと$m$分割ローカルリージョンが存在すると仮定すると、提案アルゴリズムの時間複雑性は$O(N)+O(m^2)$である。
より小さな$m$は、投票がより多くの隣接点を含むことを意味するが、時間的複雑さは大きくなる。
したがって$m$は、時間複雑性とクラスタリングの精度の間のトレードオフを制御する。
適切な$m$は、提案アルゴリズムがリアルタイムに動作し、優れた性能を維持するのに役立つ。
本研究では,セマンティックKITTIパン光学セグメンテーションモデルを用いて,分割・マージクラスタリングアルゴリズムの評価を行った。
リーダボードを通じて評価された最終的なパフォーマンスは、公開されたすべてのメソッドの中で最高のパフォーマンスを達成します。
提案アルゴリズムはC++で実装され,python関数としてラップされる。
ピソンの近代的なディープラーニングフレームワークで簡単に使用することができる。
関連論文リスト
- Fast and Simple Spectral Clustering in Theory and Practice [7.070726553564701]
スペクトルクラスタリング(Spectral clustering)は、グラフの$G$で$k$のクラスタを見つけるために設計された、人気があり効果的なアルゴリズムである。
電力法により計算された$O(log(k))$の頂点埋め込みに基づく単純なスペクトルクラスタリングアルゴリズムを提案する。
合成および実世界の複数のデータセット上で新しいアルゴリズムを評価し,クラスタリングの精度をほぼ同一にしながら,他のクラスタリングアルゴリズムよりもはるかに高速であることを確認した。
論文 参考訳（メタデータ） (2023-10-17T02:31:57Z) - Differentially-Private Hierarchical Clustering with Provable
Approximation Guarantees [79.59010418610625]
階層クラスタリングのための微分プライベート近似アルゴリズムについて検討する。
例えば、$epsilon$-DPアルゴリズムは入力データセットに対して$O(|V|2/epsilon)$-additiveエラーを示さなければならない。
本稿では,ブロックを正確に復元する1+o(1)$近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-31T19:14:30Z) - Clustering Mixture Models in Almost-Linear Time via List-Decodable Mean
Estimation [58.24280149662003]
本稿では,データセットの大部分を敵が破壊できるリストデコタブル平均推定の問題について検討する。
我々は、ほぼ最適な統計的保証を達成するために、リストデコダブル平均推定のための新しいアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-16T03:34:14Z) - Hierarchical Agglomerative Graph Clustering in Nearly-Linear Time [1.5644420658691407]
エッジ重み付きグラフ上での階層的凝集クラスタリング(HAC)アルゴリズムについて検討する。
階層的な集合グラフクラスタリングのためのアルゴリズムフレームワークを定義する。
提案手法は,ポイントデータセットのクラスタリングを20.7～76.5倍の速度で高速化できることを示す。
論文 参考訳（メタデータ） (2021-06-10T09:29:05Z) - Fuzzy Clustering with Similarity Queries [56.96625809888241]
ファジィ(fuzzy, soft objective)は、よく知られた$k$-means問題の一般化である。
クエリを少なくすることで、問題の解決が容易になる。
論文 参考訳（メタデータ） (2021-06-04T02:32:26Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳（メタデータ） (2021-03-25T14:35:07Z) - A new heuristic algorithm for fast k-segmentation [0.0]
文献には$k$-segmentationの厳密で近似的な方法が存在する。
本稿では,既存の手法を改善するために,新しいアルゴリズムを提案する。
計算コストのごく一部で正確な手法と競合するアキュラシーを提供することを実証的に見出した。
論文 参考訳（メタデータ） (2020-09-02T04:50:17Z) - An Efficient Smoothing Proximal Gradient Algorithm for Convex Clustering [2.5182813818441945]
最近導入された凸クラスタリング手法は、凸最適化問題としてクラスタリングを定式化している。
最先端の凸クラスタリングアルゴリズムは大規模な計算とメモリ空間を必要とする。
本稿では,凸クラスタリングのための非常に効率的なスムーズな勾配法 (Sproga) を提案する。
論文 参考訳（メタデータ） (2020-06-22T20:02:59Z) - Computationally efficient sparse clustering [67.95910835079825]
我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。
ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
論文 参考訳（メタデータ） (2020-05-21T17:51:30Z) - GeoDA: a geometric framework for black-box adversarial attacks [79.52980486689287]
我々は,最も困難なブラックボックス設定の1つにおいて,逆例を生成するためのフレームワークを提案する。
我々のフレームワークは、ディープネットワークの決定境界は通常、データサンプルの近傍で小さな平均曲率を持つという観察に基づいている。
論文 参考訳（メタデータ） (2020-03-13T20:03:01Z)
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。