論文の概要: DNN Filter for Bias Reduction in Distribution-to-Distribution Scan
Matching
- arxiv url: http://arxiv.org/abs/2211.04047v1
- Date: Tue, 8 Nov 2022 07:08:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:38:51.237579
- Title: DNN Filter for Bias Reduction in Distribution-to-Distribution Scan
Matching
- Title(参考訳): DNNフィルタによる分布分配型スキャンマッチングのバイアス低減
- Authors: Matthew McDermott and Jason Rife
- Abstract要約: 静的なシーンの仮定に反するボクセルを排除するために,LIDAR点雲をダウンサンプリングする方法を提案する。
提案手法はソリューション整合性フィルタを用いて,D2DコントリビューションがPointNetベースの登録ネットワークからのローカル推定値と一致しないようなボクセルの識別とフラグ付けを行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution-to-distribution (D2D) point cloud registration techniques such
as the Normal Distributions Transform (NDT) can align point clouds sampled from
unstructured scenes and provide accurate bounds of their own solution error
covariance-- an important feature for safety-of life navigation tasks. D2D
methods rely on the assumption of a static scene and are therefore susceptible
to bias from range-shadowing, self-occlusion, moving objects, and distortion
artifacts as the recording device moves between frames. Deep Learning-based
approaches can achieve higher accuracy in dynamic scenes by relaxing these
constraints, however, DNNs produce uninterpratable solutions which can be
problematic from a safety perspective. In this paper, we propose a method of
down-sampling LIDAR point clouds to exclude voxels that violate the assumption
of a static scene and introduce error to the D2D scan matching process. Our
approach uses a solution consistency filter, identifying and flagging voxels
where D2D contributions disagree with local estimates from a PointNet-based
registration network.
- Abstract(参考訳): 通常の分散変換(NDT)のようなD2Dポイントのクラウド登録技術は、構造化されていないシーンからサンプリングされた点雲を整列させ、自身のソリューションエラーの共分散(covariance)の正確なバウンダリを提供する。
D2D法は静的なシーンの仮定に依存するため、記録装置がフレーム間を移動するときに、レンジシェード、自己閉塞、移動物体、歪みアーティファクトからバイアスを受けやすい。
深層学習に基づくアプローチは、これらの制約を緩和することで動的シーンの精度を高めることができるが、DNNは、安全性の観点から問題となるような非賞賛のソリューションを生成する。
本稿では,静的シーンの仮定に反するボクセルを排除し,D2Dスキャンマッチングプロセスに誤差を導入するために,LIDAR点雲をダウンサンプリングする方法を提案する。
提案手法はソリューション整合性フィルタを用いて,D2DコントリビューションがPointNetベースの登録ネットワークからのローカル推定値と一致しないようなボクセルの識別とフラグ付けを行う。
関連論文リスト
- Run-time Introspection of 2D Object Detection in Automated Driving
Systems Using Learning Representations [13.529124221397822]
ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。
KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。
性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
論文 参考訳(メタデータ) (2024-03-02T10:56:14Z) - As-Plausible-As-Possible: Plausibility-Aware Mesh Deformation Using 2D
Diffusion Priors [27.38128309340929]
本稿では2次元拡散を利用したAs-Plausible-as-Possible(APAP)メッシュ変形手法を提案する。
我々のフレームワークは、メッシュの変形を表現するために、顔ごとのジャコビアンを用いており、メッシュ座標は微分可能なPoisson Solveによって計算される。
変形メッシュを描画し、得られた2D画像をスコア蒸留サンプリング(SDS)プロセスで使用することにより、事前訓練された2D拡散モデルから有意義な可視性を抽出することができる。
論文 参考訳(メタデータ) (2023-11-28T12:35:13Z) - DQS3D: Densely-matched Quantization-aware Semi-supervised 3D Detection [6.096961718434965]
本研究では,3次元屋内空間の散在を考慮し,半教師付き3次元物体検出の課題について検討する。
我々は,最近セミ教師付き学習の顕著な進歩を招いた,堅牢で原則化された自己学習の枠組みに頼っている。
そこで本研究では,空間的に密集したトレーニング信号を可能にする,最初の半教師付き3次元検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-25T17:59:54Z) - OPA-3D: Occlusion-Aware Pixel-Wise Aggregation for Monocular 3D Object
Detection [51.153003057515754]
OPA-3Dは、Occlusion-Aware Pixel-Wise Aggregationネットワークである。
密集した風景深度と、奥行きのある箱残量と物の境界箱を共同で推定する。
メインカーのカテゴリーでは最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2022-11-02T14:19:13Z) - On Robust Cross-View Consistency in Self-Supervised Monocular Depth
Estimation [77.98526337404412]
本論文では,2種類の堅牢なクロスビュー整合性について検討する。
深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。
いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2022-09-19T03:46:13Z) - 2D LiDAR and Camera Fusion Using Motion Cues for Indoor Layout
Estimation [2.6905021039717987]
地上ロボットは、単一の床と垂直の壁を持つ屋内空間を探索し、一連の強度画像と2D LiDARデータセットを収集する。
センサ出力と画像セグメンテーションのアライメントは、LiDAR点をアライメントすることで、共同で計算される。
地層境界抽出のための画像の曖昧さをLiDAR観測の助けを借りて除去する。
論文 参考訳(メタデータ) (2022-04-24T06:26:02Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Occlusion-Robust Object Pose Estimation with Holistic Representation [42.27081423489484]
State-of-the-art(SOTA)オブジェクトのポーズ推定器は2段階のアプローチを取る。
我々は,新しいブロック・アンド・ブラックアウトバッチ拡張技術を開発した。
また,総合的なポーズ表現学習を促進するためのマルチ精度監視アーキテクチャも開発している。
論文 参考訳(メタデータ) (2021-10-22T08:00:26Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳(メタデータ) (2021-07-08T15:19:36Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。