論文の概要: Feature-based model selection for object detection from point cloud data

• arxiv url: http://arxiv.org/abs/2209.12419v1
• Date: Mon, 26 Sep 2022 05:03:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 14:53:42.212940
• Title: Feature-based model selection for object detection from point cloud data
• Title（参考訳）: 点クラウドデータからの物体検出のための特徴ベースモデル選択
• Authors: Kairi Tokuda, Ryoichi Shinkuma, Takehiro Sato, Eiji Oki
• Abstract要約: スマートモニタリングでは、車両や歩行者などの移動物体を検出するために、点雲データからの物体検出を行う。 複数のDL手法を用いて様々なディープラーニングモデルを作成する機能ベースのモデル選択フレームワークを提案する。 実環境で取得したポイントクラウドデータの特徴に応じて、オブジェクト検出タスクに最も適したDLモデルを選択する。
• 参考スコア（独自算出の注目度）: 5.887969742827488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart monitoring using three-dimensional (3D) image sensors has been attracting attention in the context of smart cities. In smart monitoring, object detection from point cloud data acquired by 3D image sensors is implemented for detecting moving objects such as vehicles and pedestrians to ensure safety on the road. However, the features of point cloud data are diversified due to the characteristics of light detection and ranging (LIDAR) units used as 3D image sensors or the install position of the 3D image sensors. Although a variety of deep learning (DL) models for object detection from point cloud data have been studied to date, no research has considered how to use multiple DL models in accordance with the features of the point cloud data. In this work, we propose a feature-based model selection framework that creates various DL models by using multiple DL methods and by utilizing training data with pseudo incompleteness generated by two artificial techniques: sampling and noise adding. It selects the most suitable DL model for the object detection task in accordance with the features of the point cloud data acquired in the real environment. To demonstrate the effectiveness of the proposed framework, we compare the performance of multiple DL models using benchmark datasets created from the KITTI dataset and present example results of object detection obtained through a real outdoor experiment. Depending on the situation, the detection accuracy varies up to 32% between DL models, which confirms the importance of selecting an appropriate DL model according to the situation.
• Abstract（参考訳）: スマートシティの文脈では,三次元3次元画像センサを用いたスマートモニタリングが注目されている。 スマートモニタリングでは、車両や歩行者などの移動物体を検知して道路上の安全を確保するために、3次元画像センサで取得した点雲データから物体を検出する。 しかし、3D画像センサとして使用される光検出・測光ユニット(LIDAR)の特性や3D画像センサの設置位置により、点雲データの特徴は多様化している。 ポイントクラウドデータからオブジェクトを検出するための様々なディープラーニング(DL)モデルが研究されているが、ポイントクラウドデータの特徴に応じて複数のDLモデルをどのように利用するかを検討する研究は行われていない。 本研究では,複数のdl法を用いて様々なdlモデルを作成し,サンプリングとノイズ付加という2つの人工的手法によって生成された擬似不完全性を持つトレーニングデータを活用する特徴ベースモデル選択フレームワークを提案する。 実環境で取得したポイントクラウドデータの特徴に応じて、オブジェクト検出タスクに最も適したDLモデルを選択する。 提案手法の有効性を示すために,KITTIデータセットから作成したベンチマークデータセットを用いて複数のDLモデルの性能を比較し,実際の屋外実験により得られたオブジェクト検出の例を示す。 状況によって、検出精度はDLモデル間で最大32%まで変化し、状況に応じて適切なDLモデルを選択することの重要性を確認する。

関連論文リスト

• VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
  モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。 本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-04-15T03:12:12Z)
• 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
  3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。 拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。 さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-07T23:46:41Z)
• Reviewing 3D Object Detectors in the Context of High-Resolution 3+1D Radar [0.7279730418361995]
  高分解能4D(3+1D)レーダーセンサーは、ディープラーニングに基づくレーダー知覚の研究を行っている。 本研究では,3次元物体検出のためのレーダポイントクラウドで動作するディープラーニングモデルについて検討する。
  論文  参考訳（メタデータ） (2023-08-10T10:10:43Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images with Virtual Depth [64.29043589521308]
  仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。 レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。 さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
  論文  参考訳（メタデータ） (2021-07-28T11:00:47Z)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)
• Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds [32.916690488130506]
  本稿では,3次元検出器が境界を意識して点雲の最も密集した領域に焦点を合わせるのを支援する普遍モジュールを提案する。 KITTIデータセットの実験により、DENFIはベースライン単段検出器の性能を著しく改善することが示された。
  論文  参考訳（メタデータ） (2020-04-01T01:21:23Z)
• 3D Object Detection From LiDAR Data Using Distance Dependent Feature Extraction [7.04185696830272]
  本研究は、LiDAR点雲の性質を遠距離で考慮し、3次元物体検出器の改良を提案する。 その結果、近距離および長距離オブジェクトのための個別ネットワークのトレーニングは、すべてのKITTIベンチマークの困難さに対するパフォーマンスを高めることが示された。
  論文  参考訳（メタデータ） (2020-03-02T13:16:35Z)

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。