論文の概要: A Versatile Multi-View Framework for LiDAR-based 3D Object Detection with Guidance from Panoptic Segmentation

• arxiv url: http://arxiv.org/abs/2203.02133v1
• Date: Fri, 4 Mar 2022 04:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 21:50:08.846927
• Title: A Versatile Multi-View Framework for LiDAR-based 3D Object Detection with Guidance from Panoptic Segmentation
• Title（参考訳）: パンオプティカルセグメンテーションによるlidarに基づく3次元物体検出のための多目的多視点フレームワーク
• Authors: Hamidreza Fazlali, Yixuan Xu, Yuan Ren, Bingbing Liu
• Abstract要約: LiDARデータを用いた3Dオブジェクト検出は、自律運転システムにとって必須のコンポーネントである。 本稿では,3次元物体検出とパノプティックセグメンテーションを共同で行う新しいマルチタスクフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.513467995188634
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 3D object detection using LiDAR data is an indispensable component for autonomous driving systems. Yet, only a few LiDAR-based 3D object detection methods leverage segmentation information to further guide the detection process. In this paper, we propose a novel multi-task framework that jointly performs 3D object detection and panoptic segmentation. In our method, the 3D object detection backbone in Bird's-Eye-View (BEV) plane is augmented by the injection of Range-View (RV) feature maps from the 3D panoptic segmentation backbone. This enables the detection backbone to leverage multi-view information to address the shortcomings of each projection view. Furthermore, foreground semantic information is incorporated to ease the detection task by highlighting the locations of each object class in the feature maps. Finally, a new center density heatmap generated based on the instance-level information further guides the detection backbone by suggesting possible box center locations for objects. Our method works with any BEV-based 3D object detection method, and as shown by extensive experiments on the nuScenes dataset, it provides significant performance gains. Notably, the proposed method based on a single-stage CenterPoint 3D object detection network achieved state-of-the-art performance on nuScenes 3D Detection Benchmark with 67.3 NDS.
• Abstract（参考訳）: LiDARデータを用いた3Dオブジェクト検出は、自動運転システムにとって必須のコンポーネントである。 しかし,LiDARをベースとした3Dオブジェクト検出手法では,セグメンテーション情報を利用して検出プロセスのガイドを行う。 本稿では,3次元物体検出と汎視セグメンテーションを共同で行うマルチタスクフレームワークを提案する。 本研究では,Bird's-Eye-View (BEV) 平面の3次元物体検出バックボーンを,3次元パノプティカルセグメンテーションバックボーンからのレンジビュー (RV) 特徴写像の注入により拡張する。 これにより、検出バックボーンはマルチビュー情報を利用して、各プロジェクションビューの欠点に対処することができる。 さらに、特徴マップ内の各オブジェクトクラスの位置をハイライトすることにより、前景の意味情報を組み込んで検出作業を容易にする。 最後に、インスタンスレベルの情報に基づいて生成された新しいセンター密度ヒートマップは、オブジェクトのボックスセンター位置を示唆することで、検出バックボーンをさらに導く。 提案手法は,任意のBEVベースの3Dオブジェクト検出手法で動作し,nuScenesデータセットの広範な実験によって示されるように,性能が大幅に向上する。 特に,シングルステージのCenterPoint 3Dオブジェクト検出ネットワークに基づく提案手法は,67.3 NDSを用いたnuScenes 3D Detection Benchmarkで最先端の性能を達成した。

関連論文リスト

• SeSame: Simple, Easy 3D Object Detection with Point-Wise Semantics [0.7373617024876725]
  自律運転では、3Dオブジェクト検出は、経路計画や動き推定を含む下流タスクに対してより正確な情報を提供する。 本稿では,既存のLiDARのみに基づく3Dオブジェクト検出における意味情報の強化を目的としたSeSameを提案する。 KITTIオブジェクト検出ベンチマークにおいて,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-03-11T08:17:56Z)
• AOP-Net: All-in-One Perception Network for Joint LiDAR-based 3D Object Detection and Panoptic Segmentation [9.513467995188634]
  AOP-NetはLiDARベースのマルチタスクフレームワークで、3Dオブジェクトの検出とパノプティクスのセグメンテーションを組み合わせたものである。 AOP-Netは、nuScenesベンチマークにおける3Dオブジェクト検出とパノプティクスセグメンテーションの両タスクについて、最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-02-02T05:31:53Z)
• OA-BEV: Bringing Object Awareness to Bird's-Eye-View Representation for Multi-Camera 3D Object Detection [78.38062015443195]
  OA-BEVは、BEVベースの3Dオブジェクト検出フレームワークにプラグインできるネットワークである。 提案手法は,BEV ベースラインに対する平均精度と nuScenes 検出スコアの両面で一貫した改善を実現する。
  論文  参考訳（メタデータ） (2023-01-13T06:02:31Z)
• CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
  本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。 我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。 3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
  論文  参考訳（メタデータ） (2022-09-13T05:26:09Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)
• BirdNet+: End-to-End 3D Object Detection in LiDAR Bird's Eye View [117.44028458220427]
  自動運転車のオンボード3Dオブジェクト検出は、LiDARデバイスが捉えた幾何学情報に依存することが多い。 本稿では,BEV画像のみから指向性3Dボックスを推測可能な,エンドツーエンドの3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-09T15:08:40Z)

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。