論文の概要: Self-Supervised Velocity Estimation for Automotive Radar Object Detection Networks

• arxiv url: http://arxiv.org/abs/2207.03146v1
• Date: Thu, 7 Jul 2022 08:15:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 12:16:59.603981
• Title: Self-Supervised Velocity Estimation for Automotive Radar Object Detection Networks
• Title（参考訳）: 自動車用レーダ物体検出ネットワークの自励速度推定
• Authors: Daniel Niederl\"ohner, Michael Ulrich, Sascha Braun, Daniel K\"ohler, Florian Faion, Claudius Gl\"aser, Andr\'e Treptow, Holger Blume
• Abstract要約: 本稿では,自動車レーダデータに基づく物体検出ネットワークを用いて物体の速度を学習する手法を提案する。 提案手法は,速度に対する独自の訓練信号を生成するという点で,自己指導型である。 公開されているnuScenesデータセットの実験では,提案手法が完全に教師付きトレーニングの速度推定性能にほぼ達していることが示されている。
• 参考スコア（独自算出の注目度）: 1.4658400971135652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a method to learn the Cartesian velocity of objects using an object detection network on automotive radar data. The proposed method is self-supervised in terms of generating its own training signal for the velocities. Labels are only required for single-frame, oriented bounding boxes (OBBs). Labels for the Cartesian velocities or contiguous sequences, which are expensive to obtain, are not required. The general idea is to pre-train an object detection network without velocities using single-frame OBB labels, and then exploit the network's OBB predictions on unlabelled data for velocity training. In detail, the network's OBB predictions of the unlabelled frames are updated to the timestamp of a labelled frame using the predicted velocities and the distances between the updated OBBs of the unlabelled frame and the OBB predictions of the labelled frame are used to generate a self-supervised training signal for the velocities. The detection network architecture is extended by a module to account for the temporal relation of multiple scans and a module to represent the radars' radial velocity measurements explicitly. A two-step approach of first training only OBB detection, followed by training OBB detection and velocities is used. Further, a pre-training with pseudo-labels generated from radar radial velocity measurements bootstraps the self-supervised method of this paper. Experiments on the publicly available nuScenes dataset show that the proposed method almost reaches the velocity estimation performance of a fully supervised training, but does not require expensive velocity labels. Furthermore, we outperform a baseline method which uses only radial velocity measurements as labels.
• Abstract（参考訳）: 本稿では,自動車レーダデータに基づく物体検出ネットワークを用いて物体のカルト速度を学習する手法を提案する。 提案手法は, 速度の訓練信号を生成することで, 自己監視を行う。 ラベルはシングルフレーム指向のバウンディングボックス(obbs)にのみ必要である。 カルテジアン速度や連続配列のラベルは、入手に費用がかかるが必要ではない。 一般的なアイデアは、単一フレームのobbラベルを使用して速度を使わずにオブジェクト検出ネットワークを事前トレーニングし、そのネットワークのobb予測をラベルなしのデータに活用して速度トレーニングを行うことである。 具体的には、予測速度を用いてラベル付きフレームのタイムスタンプにネットワークのラベル付きフレームのobb予測を更新し、ラベル付きフレームの更新obbとラベル付きフレームのobb予測との間の距離を用いて、速度の自己教師付きトレーニング信号を生成する。 検出ネットワークアーキテクチャは、複数のスキャンの時間的関係を考慮したモジュールと、レーダーの放射速度測定を明示的に表現するモジュールによって拡張される。 OBB検出のみを訓練し、OBB検出と速度を訓練する2段階のアプローチが用いられる。 さらに,レーダー放射速度測定から得られた擬似ラベルを用いた事前学習は,自己教師あり方式をブートストラップする。 公開されているnuScenesデータセットの実験から,提案手法は完全教師付きトレーニングの速度推定性能にほぼ達するが,高価な速度ラベルを必要としないことが示された。 さらに,ラジアル速度測定のみをラベルとして使用するベースライン法を上回った。

関連論文リスト

• LabelFormer: Object Trajectory Refinement for Offboard Perception from LiDAR Point Clouds [37.87496475959941]
  オフボード認識モデルは、生のLiDARポイントクラウドからアノテーションを自動的に生成するように訓練されている。 本稿では,単純で効率的かつ効果的な軌道レベルの改良手法である LabelFormer を提案する。 提案手法はまず,まず各フレームの観察を別々に符号化し,その後,時間的文脈の完全な軌跡を判断するために自己注意を利用する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:06Z)
• 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)
• RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems [13.046347364043594]
  自動運転では、LiDARとレーダーは環境認識に不可欠である。 最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。 鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
  論文  参考訳（メタデータ） (2022-11-11T10:24:42Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• LiDAR Cluster First and Camera Inference Later: A New Perspective Towards Autonomous Driving [3.7678372667663393]
  本稿では,まずLiDARクラスタの概念を導入し,次にカメラ推論を行い,物体を検出して分類する,自律走行車(AV)のためのエンドツーエンドパイプラインを提案する。 まず、私たちのパイプラインは、AVに衝突するリスクの高い物体を検出することを優先し、AVが安全でない条件に反応する時間を増やす。 提案する新たなオブジェクト検出パイプラインは,カメラ推論のみと比較して,高いリスクオブジェクトの検出を優先すると同時に,同等の精度と平均速度を25%向上することを示す。
  論文  参考訳（メタデータ） (2021-11-18T17:06:28Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
  現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。 本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-29T02:48:47Z)
• 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)
• CNN based Road User Detection using the 3D Radar Cube [6.576173998482649]
  移動道路利用者(歩行者、サイクリスト、車)を対象とした新しいレーダーによる単フレームマルチクラス検知手法を提案する。 この方法は、レーダー目標レベルとオブジェクトレベルの両方に関するクラス情報を提供する。 実生活データセットを用いた実験では,本手法がターゲットとオブジェクトの両面で最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2020-04-25T15:07:03Z)

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。