Fugu-MT 論文翻訳(概要): Estimation of Looming from LiDAR

論文の概要: Estimation of Looming from LiDAR

arxiv url: http://arxiv.org/abs/2202.10972v1
Date: Tue, 22 Feb 2022 15:26:20 GMT
ステータス: 翻訳完了
システム内更新日: 2022-02-23 16:21:50.264242
Title: Estimation of Looming from LiDAR
Title（参考訳）: LiDARによるローミングの推定
Authors: Juan D. Yepes, Daniel Raviv
Abstract要約: 流出経路を推定するために, 生のLiDARデータを処理する2つの手法を提案する。浸水値を用いて衝突回避タスクの脅威ゾーンの取得方法を示す。この方法は6自由度運動に十分適している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Looming, traditionally defined as the relative expansion of objects in the observer's retina, is a fundamental visual cue for perception of threat and can be used to accomplish collision free navigation. The measurement of the looming cue is not only limited to vision, and can also be obtained from range sensors like LiDAR (Light Detection and Ranging). In this article we present two methods that process raw LiDAR data to estimate the looming cue. Using looming values we show how to obtain threat zones for collision avoidance tasks. The methods are general enough to be suitable for any six-degree-of-freedom motion and can be implemented in real-time without the need for fine matching, point-cloud registration, object classification or object segmentation. Quantitative results using the KITTI dataset shows advantages and limitations of the methods.
Abstract（参考訳）: ルーミングは伝統的にオブザーバーの網膜における物体の相対的膨張として定義されており、脅威の知覚のための基本的な視覚的な手がかりであり、衝突のない航行を達成するために使用できる。ルーピングキューの測定は視覚に限らず、ライダー(光の検出と距離)のような距離センサーからも得ることができる。本稿では,ローミングキューを推定するために,生のLiDARデータを処理する2つの手法を提案する。浸水値を用いて衝突回避タスクの脅威ゾーンを取得する方法を示す。これらの手法は、任意の6自由度運動に適しており、微調整、ポイントクラウド登録、オブジェクト分類、オブジェクトセグメンテーションを必要とせずにリアルタイムに実装できる。 KITTIデータセットを用いた定量的結果は,手法の利点と限界を示している。

関連論文リスト

Semi-supervised Open-World Object Detection [74.95267079505145]
半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
論文参考訳（メタデータ） (2024-02-25T07:12:51Z)
Identifying Light-curve Signals with a Deep Learning Based Object Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文参考訳（メタデータ） (2023-11-14T11:08:34Z)
Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
論文参考訳（メタデータ） (2023-03-09T16:13:27Z)
Long Range Object-Level Monocular Depth Estimation for UAVs [0.0]
本稿では,画像からモノクロ物体を長距離検出するための最先端手法の新たな拡張法を提案する。まず、回帰タスクとして深度推定をモデル化する際、SigmoidおよびReLUライクエンコーディングを提案する。次に,深度推定を分類問題とし,訓練損失の計算にソフトアルグマックス関数を導入する。
論文参考訳（メタデータ） (2023-02-17T15:26:04Z)
MAELi: Masked Autoencoder for Large-Scale LiDAR Point Clouds [13.426810473131642]
Masked AutoEncoder for LiDAR Point clouds (MAELi) は、復元中にエンコーダとデコーダの両方でLiDARポイントクラウドの空間性を直感的に活用する。新たな再構築アプローチでは、MAELiは空空間と隠された空間を区別する。これにより、MAELiは基礎となる3次元シーンの幾何学と意味論の理解を得る。
論文参考訳（メタデータ） (2022-12-14T13:10:27Z)
Visual Looming from Motion Field and Surface Normals [0.0]
織りは、伝統的に観測者の網膜における物体の相対的な拡張として定義され、脅威を認識するための基本的な視覚的キューであり、衝突のないナビゲーションを達成するために使用することができる。局所表面に対する観測者の6自由度運動から生じる2次元運動場から、視覚的略奪を定量的に得るための新しい解を導出する。本稿では,光流の空間微分から視覚的略奪を推定するための新しい手法を提案する。
論文参考訳（メタデータ） (2022-10-08T21:36:49Z)
Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-06-30T01:44:30Z)
Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文参考訳（メタデータ） (2020-11-25T18:59:54Z)
Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文参考訳（メタデータ） (2020-11-19T05:42:02Z)
On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。我々は、角予測タスクを回帰問題から分類問題に変換する。得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。