論文の概要: LiDAR-MIMO: Efficient Uncertainty Estimation for LiDAR-based 3D Object Detection

• arxiv url: http://arxiv.org/abs/2206.00214v1
• Date: Wed, 1 Jun 2022 03:47:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 12:20:32.032007
• Title: LiDAR-MIMO: Efficient Uncertainty Estimation for LiDAR-based 3D Object Detection
• Title（参考訳）: LiDAR-MIMO:LiDARに基づく3次元物体検出のための効率的な不確実性推定
• Authors: Matthew Pitropov, Chengjie Huang, Vahdat Abdelzad, Krzysztof Czarnecki, Steven Waslander
• Abstract要約: LiDAR-MIMOは、マルチインプット・マルチアウトプット(MIMO)不確実性推定法をLiDARベースの3Dオブジェクト検出タスクに適応させる手法である。 少数の出力ヘッドしか持たない同等の不確実性推定結果を示す。
• 参考スコア（独自算出の注目度）: 7.9533170503170565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The estimation of uncertainty in robotic vision, such as 3D object detection, is an essential component in developing safe autonomous systems aware of their own performance. However, the deployment of current uncertainty estimation methods in 3D object detection remains challenging due to timing and computational constraints. To tackle this issue, we propose LiDAR-MIMO, an adaptation of the multi-input multi-output (MIMO) uncertainty estimation method to the LiDAR-based 3D object detection task. Our method modifies the original MIMO by performing multi-input at the feature level to ensure the detection, uncertainty estimation, and runtime performance benefits are retained despite the limited capacity of the underlying detector and the large computational costs of point cloud processing. We compare LiDAR-MIMO with MC dropout and ensembles as baselines and show comparable uncertainty estimation results with only a small number of output heads. Further, LiDAR-MIMO can be configured to be twice as fast as MC dropout and ensembles, while achieving higher mAP than MC dropout and approaching that of ensembles.
• Abstract（参考訳）: 3dオブジェクト検出などのロボットビジョンにおける不確実性の推定は、自身のパフォーマンスを意識した安全な自律システムを開発する上で不可欠な要素である。 しかし,3次元物体検出における現在の不確実性推定手法の展開は,時間的制約や計算的制約により困難である。 この問題に対処するために,マルチインプットマルチアウトプット(MIMO)不確実性推定手法をLiDARベースの3Dオブジェクト検出タスクに適用したLiDAR-MIMOを提案する。 本手法は,検出器の容量制限やポイントクラウド処理の大幅な計算コストにもかかわらず,検出,不確実性推定,ランタイム性能の利点を保ちながら,特徴レベルでマルチインプットを行うことで,元のmimoを修正した。 我々はLiDAR-MIMOをMCドロップアウトとアンサンブルをベースラインとして比較し、少数の出力ヘッドで同等の不確実性推定結果を示す。 さらに、LiDAR-MIMOはMCドロップアウトとアンサンブルの2倍の速さで構成でき、MCドロップアウトよりも高いmAPを実現し、アンサンブルに近づいた。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• ODM3D: Alleviating Foreground Sparsity for Semi-Supervised Monocular 3D Object Detection [15.204935788297226]
  ODM3Dフレームワークは、トレーニング中にLiDARドメインの知識を単分子検出器に注入するために、様々なレベルでのクロスモーダルな知識蒸留を必要とする。 既存手法の準最適トレーニングの主要因として,前景の空間空間を同定することにより,LiDAR点に埋め込まれた正確な位置化情報を活用する。 KITTI検証とテストベンチマークの両方で1位にランクインし、教師付きまたは半教師付きである既存のモノクラー手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2023-10-28T07:12:09Z)
• MEDL-U: Uncertainty-aware 3D Automatic Annotation based on Evidential Deep Learning [13.59039985176011]
  本研究では3次元物体検出のためのEvidential Deep Learning(EDL)に基づく不確実性推定フレームワークを提案する。 EDL-Uは擬似ラベルを生成し、関連する不確実性を定量化する。 MEDL-Uを用いて訓練された確率検出器は、KITTI valの以前の3Dアノテータからの出力を用いて訓練された決定論的検出器を超越した。
  論文  参考訳（メタデータ） (2023-09-18T09:14:03Z)
• Mutual Information-calibrated Conformal Feature Fusion for Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
  3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。 本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。 このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-18T09:02:44Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• MLOD: Awareness of Extrinsic Perturbation in Multi-LiDAR 3D Object Detection for Autonomous Driving [10.855519369371853]
  外部摂動は常に複数のセンサーに存在する。 MLODと呼ばれるマルチLiDAR3Dオブジェクト検出器を提案する。 実世界のデータセットで広範な実験を行う。
  論文  参考訳（メタデータ） (2020-09-29T06:11:22Z)
• Leveraging Uncertainties for Deep Multi-modal Object Detection in Autonomous Driving [12.310862288230075]
  この研究は、LiDAR点雲とRGBカメラ画像を組み合わせて、堅牢で正確な3Dオブジェクト検出を行う確率論的ディープニューラルネットワークを提案する。 分類および回帰作業における不確実性を明示的にモデル化し、不確実性を活用してサンプリング機構を用いて核融合ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-02-01T14:24:51Z)

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。