論文の概要: Common Corruption Robustness of Point Cloud Detectors: Benchmark and Enhancement

• arxiv url: http://arxiv.org/abs/2210.05896v1
• Date: Wed, 12 Oct 2022 03:23:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 13:44:34.412749
• Title: Common Corruption Robustness of Point Cloud Detectors: Benchmark and Enhancement
• Title（参考訳）: ポイントクラウド検出器の共通破壊ロバスト性:ベンチマークと拡張
• Authors: Shuangzhi Li, Zhijie Wang, Felix Juefei-Xu, Qing Guo, Xingyu Li and Lei Ma
• Abstract要約: LiDARベースのポイントクラウドによるオブジェクト検出は、最近自動運転において重要になった。 さまざまなシーンと、さまざまな重大さを持つ現実的な汚職タイプをカバーする大規模なデータセットが欠如している。 そこで本研究では, 実世界の共通汚職にともなう劣化点雲を生成する物理認識シミュレーション手法を提案する。
• 参考スコア（独自算出の注目度）: 17.228852716121885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection through LiDAR-based point cloud has recently been important in autonomous driving. Although achieving high accuracy on public benchmarks, the state-of-the-art detectors may still go wrong and cause a heavy loss due to the widespread corruptions in the real world like rain, snow, sensor noise, etc. Nevertheless, there is a lack of a large-scale dataset covering diverse scenes and realistic corruption types with different severities to develop practical and robust point cloud detectors, which is challenging due to the heavy collection costs. To alleviate the challenge and start the first step for robust point cloud detection, we propose the physical-aware simulation methods to generate degraded point clouds under different real-world common corruptions. Then, for the first attempt, we construct a benchmark based on the physical-aware common corruptions for point cloud detectors, which contains a total of 1,122,150 examples covering 7,481 scenes, 25 common corruption types, and 6 severities. With such a novel benchmark, we conduct extensive empirical studies on 8 state-of-the-art detectors that contain 6 different detection frameworks. Thus we get several insight observations revealing the vulnerabilities of the detectors and indicating the enhancement directions. Moreover, we further study the effectiveness of existing robustness enhancement methods based on data augmentation and data denoising. The benchmark can potentially be a new platform for evaluating point cloud detectors, opening a door for developing novel robustness enhancement methods.
• Abstract（参考訳）: LiDARベースのポイントクラウドによるオブジェクト検出は、最近自動運転において重要になった。 一般のベンチマークで高い精度を達成しているが、最先端の検出器はいまだに失敗し、雨や雪、センサーノイズといった現実世界の汚職によって大きな損失をもたらす可能性がある。 それにもかかわらず、現実的なクラウド検出器を開発するために、さまざまなシーンとさまざまな重大さを持つ現実的な汚職タイプをカバーする大規模なデータセットが欠如している。 この課題を緩和し,ロバスト・ポイント・クラウド検出のための第一歩を踏み出すため,実世界の異なる共通の汚職の下で劣化点雲を生成する物理認識シミュレーション手法を提案する。 次に,最初の試みとして,7,481場面をカバーする1,122,150例,25の共通腐敗タイプ,6つの冗長性を含む,ポイントクラウド検出器の物理的に認識される共通腐敗に基づくベンチマークを構築した。 このような新しいベンチマークにより、6つの異なる検出フレームワークを含む8つの最先端検出器に関する広範な実証研究を行う。 したがって、検出器の脆弱性を明らかにし、拡張方向を示すいくつかの洞察的な観察が得られる。 さらに,データ拡張とデータ復調に基づく既存のロバストネス向上手法の有効性について検討した。 このベンチマークは、ポイントクラウド検出器を評価するための新しいプラットフォームになり、新しい堅牢性向上手法を開発するための扉を開く可能性がある。

関連論文リスト

• Common Corruptions for Enhancing and Evaluating Robustness in Air-to-Air Visual Object Detection [17.38974968542393]
  本文は,これらの手法の有効性に対するデータ破損の影響を調査し,視覚に基づく深層学習航空機の検出・追跡に寄与する。 これらの破損をAirborne Object Trackingデータセットに適用することにより、空中対空物体検出のためのAOT-Cという最初のベンチマークデータセットを構築しました。 第2の主な貢献は、汚職の程度を増大させる際の性能劣化を調査するため、8ドルの多種多様な物体検出器を含む広範囲な実験的評価を提示することである。
  論文  参考訳（メタデータ） (2024-05-10T18:33:25Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• Benchmarking Robustness of 3D Object Detection to Common Corruptions in Autonomous Driving [44.753797839280516]
  既存の3D検出器は、悪天候やセンサーノイズなどによって引き起こされる現実世界の腐敗に対して堅牢性に欠ける。 実世界の運転シナリオを考慮したLiDARとカメラ入力の27種類の共通汚職をベンチマークした。 本研究は,24種類の3次元物体検出モデルを用いた大規模実験を行い,ロバスト性の評価を行った。
  論文  参考訳（メタデータ） (2023-03-20T11:45:54Z)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Benchmarking and Analyzing Point Cloud Classification under Corruptions [33.252032774949356]
  汚職下でのポイントクラウド分類をベンチマークし分析する。 得られた観測結果に基づいて,点雲のロバスト性を高めるためのいくつかの効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-02-07T17:50:21Z)
• Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions [38.89370166717221]
  筆者らは,3Dポイントクラウドの破壊堅牢性に関する最初の総合的なベンチマークであるModelNet40-Cを提案する。 評価の結果,モデルNet40 とモデルNet40-C では,最先端モデル (SOTA) では大きな差がみられた。 適切なトレーニングレシピを持つTransformerベースのアーキテクチャは、強力な堅牢性を実現する。
  論文  参考訳（メタデータ） (2022-01-28T18:01:42Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)

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。