論文の概要: Mitigating Shadows in Lidar Scan Matching using Spherical Voxels

• arxiv url: http://arxiv.org/abs/2208.01150v1
• Date: Mon, 1 Aug 2022 21:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:30:26.795595
• Title: Mitigating Shadows in Lidar Scan Matching using Spherical Voxels
• Title（参考訳）: 球面ボクセルを用いたライダースキャンマッチングにおける影の緩和
• Authors: Matthew McDermott and Jason Rife
• Abstract要約: 球状格子を用いた前処理ステップを導入することにより,Lidarスキャンマッチングにおけるシャドーイングエラーを軽減する手法を提案する。 グリッドはLidarビームと整列するため、Lidarスキャンマッチングの系統的なエラーを引き起こすシャドウエッジを除去することは比較的容易である。 提案アルゴリズムは,既存の影軽減戦略として最も一般的な地上面除去よりも優れた結果を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose an approach to mitigate shadowing errors in Lidar scan matching, by introducing a preprocessing step based on spherical gridding. Because the grid aligns with the Lidar beam, it is relatively easy to eliminate shadow edges which cause systematic errors in Lidar scan matching. As we show through simulation, our proposed algorithm provides better results than ground-plane removal, the most common existing strategy for shadow mitigation. Unlike ground plane removal, our method applies to arbitrary terrains (e.g. shadows on urban walls, shadows in hilly terrain) while retaining key Lidar points on the ground that are critical for estimating changes in height, pitch, and roll. Our preprocessing algorithm can be used with a range of scan-matching methods; however, for voxel-based scan matching methods, it provides additional benefits by reducing computation costs and more evenly distributing Lidar points among voxels.
• Abstract（参考訳）: 本稿では,球状格子を用いた前処理ステップを導入することにより,Lidarスキャンマッチングにおけるシャドーイングエラーを軽減する手法を提案する。 グリッドはLidarビームと整列するため、Lidarスキャンマッチングの系統的なエラーを引き起こすシャドウエッジを除去することは比較的容易である。 シミュレーションを通して示すように、提案アルゴリズムは、既存のシャドウ緩和戦略である地上面除去よりも優れた結果をもたらす。 地表面の除去とは違って, 地表面上の任意の地形(都市壁の影, 丘陵地形の影など)に対して, 高さ, ピッチ, ロールの変化を推定するために重要なライダーポイントを地上に保持する。 先行処理アルゴリズムは様々なスキャンマッチング手法で使用できるが,voxelベースのスキャンマッチング手法では,計算コストを削減し,voxel間でlidarポイントを均等に分散することにより,さらなる利点が得られる。

関連論文リスト

• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• Detect Any Shadow: Segment Anything for Video Shadow Detection [105.19693622157462]
  影を検出するためのセグメンテーションモデル(SAM)を微調整するフレームワークであるShadowSAMを提案する。 長時間の注意機構と組み合わせることで、効率的な映像陰影検出が可能となる。 提案手法は,従来のビデオシャドウ検出手法と比較して高速な推論速度を示す。
  論文  参考訳（メタデータ） (2023-05-26T07:39:10Z)
• Unsupervised Light Field Depth Estimation via Multi-view Feature Matching with Occlusion Prediction [15.421219881815956]
  監督訓練に十分な深度ラベルを得ることは費用がかかる。 本稿では,LF画像から深度を推定するための教師なしフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-20T06:11:17Z)
• A Validation Approach to Over-parameterized Matrix and Image Recovery [29.29430943998287]
  複数のランダムな線形測定から低ランク行列を復元する問題を考察する。 提案手法は,より深いネットワークを持つ画像である画像に有効であることを示す。
  論文  参考訳（メタデータ） (2022-09-21T22:01:23Z)
• R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
  現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。 本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。 提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-09-20T15:09:22Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• On Enhancing Ground Surface Detection from Sparse Lidar Point Cloud [6.577622354490276]
  本稿では,低ビーム分解能ライダーにより捕捉された多くのスペーサー点雲に適用可能な地盤検出手法を提案する。 この手法はRANSACの平面フィッティング方式に基づいている。
  論文  参考訳（メタデータ） (2021-05-25T03:58:18Z)
• Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
  微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。 微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。 定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
  論文  参考訳（メタデータ） (2021-04-01T09:29:05Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• LOL: Lidar-Only Odometry and Localization in 3D Point Cloud Maps [0.6091702876917281]
  都市部を走行するライダー搭載車両の軌道計測と位置推定の問題に対処する。 オンライン3Dポイントクラウドと事前オフラインマップとの間の幾何学的に類似した位置を検出するために,位置認識手法を適用した。 異なる長さと環境の複数のKittiデータセット上で,提案するLOLシステムの有用性を実証する。
  論文  参考訳（メタデータ） (2020-07-03T10:20:53Z)

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。