論文の概要: Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR

• arxiv url: http://arxiv.org/abs/2209.10471v1
• Date: Wed, 21 Sep 2022 16:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 15:59:45.733674
• Title: Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR
• Title（参考訳）: 都市走行LiDARのための自己監督型移動体3D物体検出装置
• Authors: Sangyun Shin, Stuart Golodetz, Madhu Vankadari, Kaichen Zhou, Andrew Markham, Niki Trigoni
• Abstract要約: 本稿では,SCTと呼ばれる自己制御型移動物体検出手法を提案する。 これは、検出性能を改善するために、モーションキューと期待対象サイズの両方を使用する。 我々は,KITTI追跡ベンチマークにおいて,最先端の自己管理型移動物体検出法TCRを著しく上回る性能を示した。
• 参考スコア（独自算出の注目度）: 43.971680545189756
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning has led to great progress in the detection of mobile (i.e. movement-capable) objects in urban driving scenes in recent years. Supervised approaches typically require the annotation of large training sets; there has thus been great interest in leveraging weakly, semi- or self-supervised methods to avoid this, with much success. Whilst weakly and semi-supervised methods require some annotation, self-supervised methods have used cues such as motion to relieve the need for annotation altogether. However, a complete absence of annotation typically degrades their performance, and ambiguities that arise during motion grouping can inhibit their ability to find accurate object boundaries. In this paper, we propose a new self-supervised mobile object detection approach called SCT. This uses both motion cues and expected object sizes to improve detection performance, and predicts a dense grid of 3D oriented bounding boxes to improve object discovery. We significantly outperform the state-of-the-art self-supervised mobile object detection method TCR on the KITTI tracking benchmark, and achieve performance that is within 30% of the fully supervised PV-RCNN++ method for IoUs <= 0.5.
• Abstract（参考訳）: 深層学習は近年,都市運転シーンにおける移動体(移動可能な)物体の検出に大きな進歩をもたらした。 監視されたアプローチは一般的に大規模なトレーニングセットのアノテーションを必要とするが、それを避けるために弱い、半教師あり、あるいは自己監督的な手法を活用することには大きな関心が寄せられている。 弱く半教師ありのメソッドはアノテーションを必要とするが、自己教師ありのメソッドは、アノテーションの必要性を完全に緩和するためにモーションのような手掛かりを使ってきた。 しかしながら、アノテーションの完全欠如は一般的にそれらの性能を低下させ、モーショングルーピング中に生じる曖昧さは、正確なオブジェクト境界を見つける能力を阻害する。 本稿では,SCTと呼ばれる自己制御型移動物体検出手法を提案する。 これは、モーションキューと予測対象サイズの両方を使用して検出性能を改善し、オブジェクト発見を改善するために3次元指向境界ボックスの高密度グリッドを予測する。 我々は,kitti追跡ベンチマークにおいて,最先端の自己教師付移動物体検出法tcrを有意に上回り,全監督pv-rcnn++法であるious <= 0.5の30%以内の性能を達成する。

関連論文リスト

• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• SeMoLi: What Moves Together Belongs Together [51.72754014130369]
  動作手がかりに基づく半教師付き物体検出に挑戦する。 近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。 我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
  論文  参考訳（メタデータ） (2024-02-29T18:54:53Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• View-to-Label: Multi-View Consistency for Self-Supervised 3D Object Detection [46.077668660248534]
  本稿では,RGBシーケンスのみから,自己監督型3Dオブジェクト検出を行う手法を提案する。 KITTI 3Dデータセットを用いた実験では,最先端の自己管理手法と同等の性能を示した。
  論文  参考訳（メタデータ） (2023-05-29T09:30:39Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• Motion Inspired Unsupervised Perception and Prediction in Autonomous Driving [29.731790562352344]
  本論文は,オープンセット移動物体を理解するための学習学習モデルと予測モデルである,新規で挑戦的な方向性を開拓する。 提案フレームワークは自己学習フローを用いて自動メタラベリングパイプラインを起動し,自動監視を実現する。 提案手法は, オープンセット3次元検出と軌道予測において, 極めて有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-14T18:55:44Z)
• Exploring Diversity-based Active Learning for 3D Object Detection in Autonomous Driving [45.405303803618]
  多様性に基づくアクティブラーニング(AL)を,アノテーションの負担を軽減するための潜在的解決策として検討する。 選択したサンプルの空間的・時間的多様性を強制する新しい取得関数を提案する。 提案手法がnuScenesデータセットに与える影響を実証し,既存のAL戦略を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-05-16T14:21:30Z)
• Time-to-Label: Temporal Consistency for Self-Supervised Monocular 3D Object Detection [46.077668660248534]
  オブジェクトのポーズのレベルにおける時間的一貫性は、重要な監視信号を提供する、と我々は主張する。 具体的には、この一貫性とレンダリング・アンド・コンパレート・ロスを利用する自己教師付き損失を提案する。 我々は,実データから生成した擬似ラベルを用いて,合成訓練されたモノクル3次元物体検出モデルを微調整する。
  論文  参考訳（メタデータ） (2022-03-04T08:55:49Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。