論文の概要: Stress-Testing LiDAR Registration

• arxiv url: http://arxiv.org/abs/2204.07719v1
• Date: Sat, 16 Apr 2022 05:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 14:03:41.005556
• Title: Stress-Testing LiDAR Registration
• Title（参考訳）: 応力試験LiDAR登録
• Authors: Amnon Drory, Shai Avidan and Raja Giryes
• Abstract要約: 本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。 おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
• 参考スコア（独自算出の注目度）: 52.24383388306149
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Point cloud registration (PCR) is an important task in many fields including autonomous driving with LiDAR sensors. PCR algorithms have improved significantly in recent years, by combining deep-learned features with robust estimation methods. These algorithms succeed in scenarios such as indoor scenes and object models registration. However, testing in the automotive LiDAR setting, which presents its own challenges, has been limited. The standard benchmark for this setting, KITTI-10m, has essentially been saturated by recent algorithms: many of them achieve near-perfect recall. In this work, we stress-test recent PCR techniques with LiDAR data. We propose a method for selecting balanced registration sets, which are challenging sets of frame-pairs from LiDAR datasets. They contain a balanced representation of the different relative motions that appear in a dataset, i.e. small and large rotations, small and large offsets in space and time, and various combinations of these. We perform a thorough comparison of accuracy and run-time on these benchmarks. Perhaps unexpectedly, we find that the fastest and simultaneously most accurate approach is a version of advanced RANSAC. We further improve results with a novel pre-filtering method.
• Abstract（参考訳）: ポイントクラウド登録(PCR)は、LiDARセンサーを用いた自動運転を含む多くの分野において重要なタスクである。 近年, PCRアルゴリズムは, 深く学習した特徴と頑健な推定法を組み合わせることで, 大幅に改善されている。 これらのアルゴリズムは、屋内シーンやオブジェクトモデル登録のようなシナリオで成功する。 しかし、独自の課題を示す自動車用LiDAR環境でのテストは制限されている。 この設定の標準ベンチマークであるKITTI-10mは、基本的に最近のアルゴリズムによって飽和している。 本研究では,最近のPCR法をLiDARデータを用いてストレステストする。 本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。 これらはデータセットに現れる異なる相対運動のバランスの取れた表現、すなわち、小さな回転と大きな回転、空間と時間の小さなオフセットと大きなオフセット、そしてそれらの様々な組み合わせを含んでいる。 これらのベンチマークで精度と実行時間の徹底的な比較を行う。 おそらく予想外のことに、最も速くかつ同時に正確なアプローチは、高度なRANSACのバージョンである。 我々は、新しい事前フィルタ法により結果をさらに改善する。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Finetuning Pre-trained Model with Limited Data for LiDAR-based 3D Object Detection by Bridging Domain Gaps [8.897884780881535]
  LiDARベースの3Dオブジェクト検出器は、センサーの設定が異なるターゲットドメインにうまく適応できないことが多い。 近年の研究では、トレーニング済みのバックボーンは大規模でラベルのないLiDARフレームで自己管理的に学習できることが示唆されている。 本研究では,対象データに制限のある事前学習モデルを適用するために,DADT(Domain Adaptive Distill-Tuning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T08:22:42Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• 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)
• Accurate Point Cloud Registration with Robust Optimal Transport [16.386335031156005]
  近年のOTソルバは,ポイントクラウド登録のための最適化手法と深層学習法の両方を改善している。 我々の研究は、ロバストOTが幅広い登録モデルに対して高速な事前調整と微調整を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-11-01T01:34:46Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• Model-free Vehicle Tracking and State Estimation in Point Cloud Sequences [17.351635242415703]
  モデルフリーの単一オブジェクト追跡(SOT)という、この問題の新しい設定について研究する。 SOTは第1フレームのオブジェクト状態を入力とし、その後のフレームにおける状態推定と追跡を共同で解決する。 そこで我々は,点群登録,車両形状,動作優先度に基づく最適化アルゴリズムSOTrackerを提案する。
  論文  参考訳（メタデータ） (2021-03-10T13:01:26Z)
• Cirrus: A Long-range Bi-pattern LiDAR Dataset [35.87501129332217]
  我々は、自律運転タスクのための新しい長距離二パターンLiDARパブリックデータセットであるCirrusを紹介する。 我々のプラットフォームには高解像度ビデオカメラと250メートルの有効範囲のLiDARセンサーが装備されている。 Cirrusでは、8つのカテゴリのオブジェクトが、有効範囲全体のLiDAR点雲に完全に注釈付けされている。
  論文  参考訳（メタデータ） (2020-12-05T03:18:31Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。