Fugu-MT 論文翻訳(概要): End-to-end system for object detection from sub-sampled radar data

論文の概要: End-to-end system for object detection from sub-sampled radar data

arxiv url: http://arxiv.org/abs/2203.03905v1
Date: Tue, 8 Mar 2022 08:02:33 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 14:59:24.761307
Title: End-to-end system for object detection from sub-sampled radar data
Title（参考訳）: サブサンプリングレーダデータからの物体検出のためのエンドツーエンドシステム
Authors: Madhumitha Sakthi, Ahmed Tewfik, Marius Arvinte, Haris Vikalo
Abstract要約: 本稿では,車載環境下で物体検出を行うために,サブサンプリングレーダデータを利用するエンドツーエンド信号処理パイプラインを提案する。極端気象条件下での試料の20%を用いて再構成したレーダーデータに基づくロバスト検出を示す。微調整セットで20%のサンプルレーダデータを生成し,AP50が1.1%,AP50が3%向上した。
参考スコア（独自算出の注目度）: 18.462990836437626
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robust and accurate sensing is of critical importance for advancing autonomous automotive systems. The need to acquire situational awareness in complex urban conditions using sensors such as radar has motivated research on power and latency-efficient signal acquisition methods. In this paper, we present an end-to-end signal processing pipeline, capable of operating in extreme weather conditions, that relies on sub-sampled radar data to perform object detection in vehicular settings. The results of the object detection are further utilized to sub-sample forthcoming radar data, which stands in contrast to prior work where the sub-sampling relies on image information. We show robust detection based on radar data reconstructed using 20% of samples under extreme weather conditions such as snow or fog, and on low-illuminated nights. Additionally, we generate 20% sampled radar data in a fine-tuning set and show 1.1% gain in AP50 across scenes and 3% AP50 gain in motorway condition.
Abstract（参考訳）: 自律走行システムにおいて、ロバストで正確なセンシングが重要である。レーダなどのセンサを用いた複雑な都市環境における状況把握の必要性は、電力と遅延効率のよい信号取得方法の研究の動機となっている。本稿では,極端に気象条件下で動作可能なエンドツーエンドの信号処理パイプラインを提案する。オブジェクト検出の結果は、サブサンプルのレーダーデータにさらに活用され、サブサンプルが画像情報に依存する以前の作業とは対照的である。降雪や霧などの極端な気象条件下で20%の試料と低照度夜間に再構成されたレーダーデータに基づいてロバストな検出を行う。さらに,20%のサンプルレーダデータを微調整セットで生成し,シーン間におけるap50の1.1%の利得と高速道路条件における3%のap50利得を示す。

関連論文リスト

Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文参考訳（メタデータ） (2024-05-07T20:44:48Z)
Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文参考訳（メタデータ） (2023-07-31T09:53:50Z)
RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection Model [13.214257841152033]
レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
論文参考訳（メタデータ） (2023-04-17T17:07:35Z)
ADCNet: Learning from Raw Radar Data via Distillation [3.519713957675842]
レーダーベースのシステムは、LiDARベースのシステムよりも低コストで、悪天候に対して堅牢である。最近の研究は、最終的なレーダー点雲の代わりに、生のレーダーデータを消費することに焦点を当てている。我々は,信号処理パイプラインの要素を我々のネットワークに持ち込み,信号処理タスクの事前学習を行うことで,検出性能の状態を達成できることを示す。
論文参考訳（メタデータ） (2023-03-21T13:31:15Z)
Automotive RADAR sub-sampling via object detection networks: Leveraging prior signal information [18.462990836437626]
自動運転技術への関心が高まり、自動車レーダーはますます注目を集めている。本研究では,従来の環境条件の知識に基づいて,より詳細な/正確な再構築を必要とする地域を特定するための適応型レーダサブサンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-21T05:32:28Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文参考訳（メタデータ） (2021-04-29T10:06:29Z)
All-Weather Object Recognition Using Radar and Infrared Sensing [1.7513645771137178]
この論文は、物体を認識するために、長波偏光赤外線(IR)画像とイメージングレーダに基づく新しいセンシング開発を探求する。まず、偏光赤外データを用いたストークスパラメータに基づく手法を開発し、深層ニューラルネットワークを用いた車両の認識を行った。第2に、低THzレーダセンサで捉えたパワースペクトルのみを用いて、制御されたシナリオで物体認識を行う可能性について検討した。最後に、悪天候下で車両を検出するレーダーロバスト性を示す多くの異なる気象シナリオを備えた、"ワイルド"に新しい大規模なデータセットを作成しました。
論文参考訳（メタデータ） (2020-10-30T14:16:39Z)
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文参考訳（メタデータ） (2020-10-02T00:13:00Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)
Probabilistic Oriented Object Detection in Automotive Radar [8.281391209717103]
本稿では,レーダー物体検出のためのディープラーニングに基づくアルゴリズムを提案する。我々は102544フレームの生レーダと同期LiDARデータを備えた新しいマルチモーダルデータセットを作成しました。我々の最高性能レーダ検出モデルは、指向性IoU0.3で77.28%APを達成した。
論文参考訳（メタデータ） (2020-04-11T05:29:32Z)

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。