Fugu-MT 論文翻訳(概要): Large-Scale Topological Radar Localization Using Learned Descriptors

論文の概要: Large-Scale Topological Radar Localization Using Learned Descriptors

arxiv url: http://arxiv.org/abs/2110.03081v1
Date: Wed, 6 Oct 2021 21:57:23 GMT
ステータス: 処理完了
システム内更新日: 2021-10-09 10:21:03.648786
Title: Large-Scale Topological Radar Localization Using Learned Descriptors
Title（参考訳）: 学習ディスクリプタを用いた大規模地形レーダ定位
Authors: Jacek Komorowski, Monika Wysoczanska, Tomasz Trzcinski
Abstract要約: 本稿では、レーダースキャン画像から回転不変なグローバルディスクリプタを計算するための、単純かつ効率的なディープネットワークアーキテクチャを提案する。提案手法の性能と一般化能力を2つの大規模運転データセットで実験的に評価した。
参考スコア（独自算出の注目度）: 15.662820454886202
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we propose a method for large-scale topological localization based on radar scan images using learned descriptors. We present a simple yet efficient deep network architecture to compute a rotationally invariant discriminative global descriptor from a radar scan image. The performance and generalization ability of the proposed method is experimentally evaluated on two large scale driving datasets: MulRan and Oxford Radar RobotCar. Additionally, we present a comparative evaluation of radar-based and LiDAR-based localization using learned global descriptors. Our code and trained models are publicly available on the project website.
Abstract（参考訳）: 本研究では,学習用ディスクリプタを用いたレーダスキャン画像に基づく大規模トポロジカルローカライズ手法を提案する。本稿では、レーダースキャン画像から回転不変なグローバルディスクリプタを計算するための、単純かつ効率的なディープネットワークアーキテクチャを提案する。提案手法の性能と一般化能力を,MulRanとOxford Radar RobotCarの2つの大規模運転データセットで実験的に評価した。さらに,学習したグローバルディスクリプタを用いたレーダベースとLiDARベースのローカライゼーションの比較評価を行った。私たちのコードとトレーニングされたモデルはプロジェクトのWebサイトで公開されています。

関連論文リスト

Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2024-02-25T13:22:17Z)
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-09-18T15:37:01Z)
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)
Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-05-22T07:09:35Z)
Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文参考訳（メタデータ） (2022-11-02T11:10:42Z)
Toward Data-Driven STAP Radar [23.333816677794115]
我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
論文参考訳（メタデータ） (2022-01-26T02:28:13Z)
Improved Radar Localization on Lidar Maps Using Shared Embedding [12.65429845365685]
本稿では,レーダグローバルローカライゼーションを解くためのフレームワークと,事前に構築したライダーマップ上でのポーズトラッキングを提案する。ディープニューラルネットワークは、レーダースキャンとライダーマップのための共有埋め込みスペースを作成するために構築されている。
論文参考訳（メタデータ） (2021-06-18T08:40:04Z)
RadarLoc: Learning to Relocalize in FMCW Radar [36.68888832365474]
6-DoFのグローバルポーズを直接推定できる,自己アテンションを備えた新しいエンドツーエンドニューラルネットワークであるRadarLocを提案する。我々は最近リリースされた屋外データセットOxford Radar RobotCarに対するアプローチを検証する。
論文参考訳（メタデータ） (2021-03-22T03:22:37Z)
DeepReflecs: Deep Learning for Automotive Object Classification with Radar Reflections [0.7251305766151019]
この方法は、歩行者、サイクリスト、車、または非障害物などのオブジェクトクラス情報を提供する。これは、手作り特徴の低パフォーマンス手法と畳み込みニューラルネットワークを用いた高パフォーマンス手法とのギャップを埋める。アブレーション研究は、提案したグローバルコンテキスト層の影響を分析する。
論文参考訳（メタデータ） (2020-10-19T07:35:51Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)
Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。本稿では,従来のアプローチのさらなる発展について述べる。複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文参考訳（メタデータ） (2020-08-09T09:26:30Z)

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。