論文の概要: Robust 3D Object Detection in Cold Weather Conditions

• arxiv url: http://arxiv.org/abs/2205.11925v1
• Date: Tue, 24 May 2022 09:37:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 12:30:04.829978
• Title: Robust 3D Object Detection in Cold Weather Conditions
• Title（参考訳）: 寒冷地におけるロバスト3次元物体検出
• Authors: Aldi Piroli, Vinzenz Dallabetta, Marc Walessa, Daniel Meissner, Johannes Kopp, Klaus Dietmayer
• Abstract要約: 逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
• 参考スコア（独自算出の注目度）: 7.924836086640871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adverse weather conditions can negatively affect LiDAR-based object detectors. In this work, we focus on the phenomenon of vehicle gas exhaust condensation in cold weather conditions. This everyday effect can influence the estimation of object sizes, orientations and introduce ghost object detections, compromising the reliability of the state of the art object detectors. We propose to solve this problem by using data augmentation and a novel training loss term. To effectively train deep neural networks, a large set of labeled data is needed. In case of adverse weather conditions, this process can be extremely laborious and expensive. We address this issue in two steps: First, we present a gas exhaust data generation method based on 3D surface reconstruction and sampling which allows us to generate large sets of gas exhaust clouds from a small pool of labeled data. Second, we introduce a point cloud augmentation process that can be used to add gas exhaust to datasets recorded in good weather conditions. Finally, we formulate a new training loss term that leverages the augmented point cloud to increase object detection robustness by penalizing predictions that include noise. In contrast to other works, our method can be used with both grid-based and point-based detectors. Moreover, since our approach does not require any network architecture changes, inference times remain unchanged. Experimental results on real data show that our proposed method greatly increases robustness to gas exhaust and noisy data.
• Abstract（参考訳）: 逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 本研究では,寒冷環境における自動車排ガスの凝縮現象に着目した。 この日常的な効果は、オブジェクトのサイズ、向き、ゴーストオブジェクト検出を導入し、アートオブジェクト検出器の状態の信頼性を損なう可能性がある。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。 ディープニューラルネットワークを効果的にトレーニングするには、大量のラベル付きデータが必要である。 悪天候の場合、このプロセスは非常に手間がかかり、費用がかかる。 まず, 3次元表面再構成とサンプリングに基づくガス排出データ生成法を提案することで, ラベル付きデータのプールから大量のガス排出雲を生成できる。 第2に、良質な気象条件で記録されたデータセットにガス排気を付加するための点雲増量プロセスを導入する。 最後に,拡張ポイントクラウドを活用した新たなトレーニング損失項を定式化し,ノイズを含む予測をペナライズすることで,オブジェクト検出の堅牢性を高める。 他の研究とは対照的に,本手法はグリッドベースとポイントベースの両方で利用することができる。 さらに、我々のアプローチはネットワークアーキテクチャの変更を必要としないため、推論時間は変化しない。 実データによる実験結果から, 提案手法はガス排気およびノイズデータに対するロバスト性を大幅に向上させることが示された。

関連論文リスト

• Enhancing Lidar-based Object Detection in Adverse Weather using Offset Sequences in Time [1.1725016312484975]
  ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。 本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
  論文  参考訳（メタデータ） (2024-01-17T08:31:58Z)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Detection of Condensed Vehicle Gas Exhaust in LiDAR Point Clouds [7.924836086640871]
  本稿では, 自動車排ガスの凝縮検出のための2段階のアプローチを提案する。 まず,現場における各車両の排ガス領域を特定し,その場合の排気ガスの検出を行う。 次に、孤立した雲は、ガスが排出される可能性のある空間の領域をモデル化することで検出される。
  論文  参考訳（メタデータ） (2022-07-11T14:36:27Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• 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)
• Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
  自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。 ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。 本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。 これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
  論文  参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。