論文の概要: 4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds
- arxiv url: http://arxiv.org/abs/2209.07121v1
- Date: Thu, 15 Sep 2022 08:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:29:41.986353
- Title: 4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds
- Title（参考訳）: 4DenoiseNet: 隣接点雲からの逆気象観測
- Authors: Alvari Sepp\"anen, Risto Ojala, Kari Tammi
- Abstract要約: このレターは、深層学習アルゴリズム(4DenoiseNet)の新たな点雲悪天候を提示する。
本アルゴリズムは,本研究における深層学習の悪天候評価手法と異なり,時間次元を生かした手法である。
結果が得られたのはSnowy KITTIのデータセットで、悪天候アノテートポイント雲は4000万以上ある。
- 参考スコア（独自算出の注目度）: 1.8563342761346613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable point cloud data is essential for perception tasks \textit{e.g.} in
robotics and autonomous driving applications. Adverse weather causes a specific
type of noise to light detection and ranging (LiDAR) sensor data, which
degrades the quality of the point clouds significantly. To address this issue,
this letter presents a novel point cloud adverse weather denoising deep
learning algorithm (4DenoiseNet). Our algorithm takes advantage of the time
dimension unlike deep learning adverse weather denoising methods in the
literature. It performs about 10\% better in terms of intersection over union
metric compared to the previous work and is more computationally efficient.
These results are achieved on our novel SnowyKITTI dataset, which has over
40000 adverse weather annotated point clouds. Moreover, strong qualitative
results on the Canadian Adverse Driving Conditions dataset indicate good
generalizability to domain shifts and to different sensor intrinsics.
- Abstract（参考訳）: 信頼できるポイントクラウドデータは、ロボットや自動運転アプリケーションにおける認識タスク \textit{e} に不可欠である。
逆天候は特定の種類のノイズを光検出・測光(LiDAR)センサーデータに生じさせ、点雲の品質を著しく低下させる。
この問題に対処するため,本論文では,ニューポイントクラウドの悪天候検出型深層学習アルゴリズム(4denoisenet)を提案する。
本アルゴリズムは,本論文における悪天候発生手法と異なり,時間次元の利点を生かしている。
これは、以前の研究と比べてユニオン計量の交叉で約10\%良く、より計算的に効率的である。
これらの結果は,40000以上の悪天候アノテート点雲を持つsnownowkittiデータセットで得られた。
さらに、Canadian Adverse Driving Conditionsデータセットの強い定性的な結果から、ドメインシフトと異なるセンサー内在性に優れた一般化性を示す。
関連論文リスト
- Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。
そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-25T16:48:44Z) - TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [6.752848431431841]
雨、霧、雪などの実際の悪天候は、大きな騒音と干渉をもたらす。
既存のデータセットは、限られた天候の多様性と小さなデータセットサイズに悩まされることが多い。
3つのミキサー層からなる新しいポイントクラウドデノナイズモデルTripleMixerを提案する。
論文 参考訳（メタデータ） (2024-08-25T10:45:52Z) - Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
論文 参考訳（メタデータ） (2024-07-04T03:35:02Z) - Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions [10.306226508237348]
逆気象条件はLiDARセンサーの性能に深刻な影響を及ぼす可能性がある。
悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とする。
本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
論文 参考訳（メタデータ） (2024-06-14T10:29:00Z) - Learning Signed Distance Functions from Noisy 3D Point Clouds via Noise
to Noise Mapping [52.25114448281418]
3Dポイントクラウドから署名付き距離関数(SDF)を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真実管理を必要とせず,ノイズからノイズへのマッピングを通じてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高度に正確なSDFを、その多重または単一ノイズの点雲観測から推測することができる。
論文 参考訳（メタデータ） (2023-06-02T09:52:04Z) - 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) - Multi-Echo Denoising in Adverse Weather [1.8563342761346613]
逆天候は光検出・測光(LiDAR)データにノイズを引き起こすことがある。
目的は、興味の対象を表すエコーを選択し、他のエコーを捨てることである。
本稿では,新しい自己教師型深層学習法と特徴類似性正規化法を提案し,その性能を向上する。
論文 参考訳（メタデータ） (2023-05-23T12:40:28Z) - LiSnowNet: Real-time Snow Removal for LiDAR Point Cloud [28.738804719418088]
我々は、52$times$の非教師付きノイズ除去アルゴリズムLiSnowNetを導入し、最先端の手法よりも高速に動作させる。
従来の手法とは異なり、提案アルゴリズムは深層畳み込みニューラルネットワークに基づいており、ハードウェアアクセラレータに容易にデプロイできる。
論文 参考訳（メタデータ） (2022-11-18T04:19:05Z) - Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。
3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。
本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
論文 参考訳（メタデータ） (2022-03-08T12:21:35Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - 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)
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。