論文の概要: Contrastive Learning for Automotive mmWave Radar Detection Points Based Instance Segmentation

• arxiv url: http://arxiv.org/abs/2203.06553v1
• Date: Sun, 13 Mar 2022 03:00:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 16:08:53.427185
• Title: Contrastive Learning for Automotive mmWave Radar Detection Points Based Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションに基づく自動車用ミリ波レーダ検出点のコントラスト学習
• Authors: Weiyi Xiong, Jianan Liu, Yuxuan Xia, Tao Huang, Bing Zhu and Wei Xiang
• Abstract要約: 本稿では,レーダ検出点に基づくインスタンスセグメント化を実現するための対照的な学習手法を提案する。 提案手法では, 正・負のサンプルを接地トラストラベルに従って定義し, 対照的な損失を適用してまずモデルのトレーニングを行い, 次に掲げる下流タスクのトレーニングを行う。 実験の結果, 地中真実情報が5%のトレーニングデータでのみ利用可能である場合, 提案手法は, 教師付き手法と同等の性能を示し, 100%の地中真実情報が得られる。
• 参考スコア（独自算出の注目度）: 9.491866334097114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The automotive mmWave radar plays a key role in advanced driver assistance systems (ADAS) and autonomous driving. Deep learning-based instance segmentation enables real-time object identification from the radar detection points. In the conventional training process, accurate annotation is the key. However, high-quality annotations of radar detection points are challenging to achieve due to their ambiguity and sparsity. To address this issue, we propose a contrastive learning approach for implementing radar detection points-based instance segmentation. We define the positive and negative samples according to the ground-truth label, apply the contrastive loss to train the model first, and then perform training for the following downstream task. In addition, these two steps can be merged into one, and pseudo labels can be generated for the unlabeled data to improve the performance further. Thus, there are four different training settings for our method. Experiments show that when the ground-truth information is only available for 5% of the training data, our method still achieves a comparable performance to the approach trained in a supervised manner with 100% ground-truth information.
• Abstract（参考訳）: 自動車用mmWaveレーダーは、高度運転支援システム(ADAS)と自律運転において重要な役割を果たしている。 ディープラーニングベースのインスタンスセグメンテーションは、レーダ検出ポイントからのリアルタイムオブジェクト識別を可能にする。 従来のトレーニングプロセスでは、正確なアノテーションが鍵となる。 しかし,レーダー検出点の良質なアノテーションは,あいまいさやスパース性から達成が困難である。 本稿では,レーダ検出点に基づくインスタンスセグメンテーションを実現するためのコントラスト学習手法を提案する。 正と負のサンプルを接地ラベルに従って定義し、コントラスト損失を適用してまずモデルをトレーニングし、次に次の下流タスクのトレーニングを行う。 さらに、これら2つのステップを1つにマージして、ラベルのないデータに対して擬似ラベルを生成してパフォーマンスをさらに向上させることができる。 したがって、この方法には4つの異なるトレーニング設定がある。 実験の結果, 地中真実情報が5%のトレーニングデータでのみ利用可能である場合, 提案手法は, 教師付き手法と同等の性能を示し, 100%の地中真実情報が得られる。

関連論文リスト

• Leveraging Self-Supervised Instance Contrastive Learning for Radar Object Detection [7.728838099011661]
  本稿では,レーダ物体検出装置を事前訓練する際,RCLを例に紹介する。 我々は、より少ないデータで学習するために、物体検出器のバックボーン、頭、首を事前訓練することを目指している。
  論文  参考訳（メタデータ） (2024-02-13T12:53:33Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• DOAD: Decoupled One Stage Action Detection Network [77.14883592642782]
  人々をローカライズし、ビデオからアクションを認識することは、ハイレベルなビデオ理解にとって難しい課題だ。 既存の手法は主に2段階ベースで、1段階は人物境界ボックス生成、もう1段階は行動認識を行う。 本稿では、時間的行動検出の効率を向上させるために、DOADと呼ばれる分離したワンステージネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-01T08:06:43Z)
• Histogram-based Deep Learning for Automotive Radar [6.85316573653194]
  レーダセンサで記録された点雲データを処理するための深層学習手法を提案する。 既存の手法と比較して、我々のアプローチは極めて単純で、点雲ヒストグラムを計算し、それを多層パーセプトロンに渡す。 本手法は,自動車用レーダオブジェクトタイプ分類の課題に対して,最先端のアプローチと一致し,超越している。
  論文  参考訳（メタデータ） (2023-03-06T09:06:49Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• Contrastive Learning for Unsupervised Radar Place Recognition [31.04172735067443]
  我々は、複雑なレーダデータを用いて、位置認識問題を解決するのに適したレーダ画像のシーケンスから、教師なしの方法で埋め込みを学習する。 我々は400km以上の走行が可能な2つの著名な都市レーダデータセットを実験し、新しいレーダ位置認識状態を実現することを示す。
  論文  参考訳（メタデータ） (2021-10-06T13:34:09Z)
• Deep Instance Segmentation with High-Resolution Automotive Radar [2.167586397005864]
  本稿では,レーダ検出点を用いた2つの効率的な分割法を提案する。 1つは、PointNet++フレームワークを使用してエンドツーエンドのディープラーニング駆動方式で実装されている。 もう一つは、セマンティック情報を用いたレーダー検出点のクラスタリングに基づいている。
  論文  参考訳（メタデータ） (2021-10-05T01:18:27Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)

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。