論文の概要: LiSnowNet: Real-time Snow Removal for LiDAR Point Cloud

• arxiv url: http://arxiv.org/abs/2211.10023v1
• Date: Fri, 18 Nov 2022 04:19:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 14:45:04.032881
• Title: LiSnowNet: Real-time Snow Removal for LiDAR Point Cloud
• Title（参考訳）: LiSnowNet: LiDAR Point Cloudのリアルタイム除雪
• Authors: Ming-Yuan Yu, Ram Vasudevan, Matthew Johnson-Roberson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.738804719418088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDARs have been widely adopted to modern self-driving vehicles, providing 3D information of the scene and surrounding objects. However, adverser weather conditions still pose significant challenges to LiDARs since point clouds captured during snowfall can easily be corrupted. The resulting noisy point clouds degrade downstream tasks such as mapping. Existing works in de-noising point clouds corrupted by snow are based on nearest-neighbor search, and thus do not scale well with modern LiDARs which usually capture $100k$ or more points at 10Hz. In this paper, we introduce an unsupervised de-noising algorithm, LiSnowNet, running 52$\times$ faster than the state-of-the-art methods while achieving superior performance in de-noising. Unlike previous methods, the proposed algorithm is based on a deep convolutional neural network and can be easily deployed to hardware accelerators such as GPUs. In addition, we demonstrate how to use the proposed method for mapping even with corrupted point clouds.
• Abstract（参考訳）: LiDARは現代の自動運転車に広く採用されており、シーンや周囲の物体の3D情報を提供している。 しかし、降雪時に捕獲された点雲が容易に破損するため、気象条件の悪さはLiDARにとって大きな課題となる。 結果として発生するノイズの多いポイントクラウドは、マッピングなどの下流タスクを分解する。 雪で汚染された点雲を除去する既存の作業は、最寄りの探索に基づいており、それゆえ、通常10Hzで100k$以上の点を捉える現代のLiDARとうまくスケールしない。 本稿では,非教師付き非雑音化アルゴリズムであるlisnownetを,最先端手法よりも52$\times$高速に動作し,非雑音化性能に優れる手法を提案する。 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、GPUなどのハードウェアアクセラレータに容易にデプロイできる。 さらに, 故障点の雲であっても, 提案手法を用いてマッピングする方法を実証する。

関連論文リスト

• 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)
• Fast graph-based denoising for point cloud color information [29.126056066012264]
  例えば、3Dポイントクラウドを使ったライブストリーミングでは、視覚的品質を高めるためにリアルタイムのポイントクラウドデノゲーション方法が必要である。 本稿では,大規模クラウドのための高速グラフベースデノイング(FGBD)を提案する。 本実験では,従来の復調法と比較して精度を保ちながら,処理時間を劇的に短縮することに成功した。
  論文  参考訳（メタデータ） (2024-01-18T04:51:41Z)
• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• 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)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• 4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds [1.8563342761346613]
  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。
  論文  参考訳（メタデータ） (2022-09-15T08:05:42Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)

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。