Fugu-MT 論文翻訳(概要): Histogram-based Deep Learning for Automotive Radar

論文の概要: Histogram-based Deep Learning for Automotive Radar

arxiv url: http://arxiv.org/abs/2303.02975v1
Date: Mon, 6 Mar 2023 09:06:49 GMT
ステータス: 処理完了
システム内更新日: 2023-03-07 16:43:18.555481
Title: Histogram-based Deep Learning for Automotive Radar
Title（参考訳）: ヒストグラムに基づく自動車レーダの深層学習
Authors: Maxim Tatarchenko and Kilian Rambach
Abstract要約: レーダセンサで記録された点雲データを処理するための深層学習手法を提案する。既存の手法と比較して、我々のアプローチは極めて単純で、点雲ヒストグラムを計算し、それを多層パーセプトロンに渡す。本手法は,自動車用レーダオブジェクトタイプ分類の課題に対して,最先端のアプローチと一致し,超越している。
参考スコア（独自算出の注目度）: 6.85316573653194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There are various automotive applications that rely on correctly interpreting point cloud data recorded with radar sensors. We present a deep learning approach for histogram-based processing of such point clouds. Compared to existing methods, the design of our approach is extremely simple: it boils down to computing a point cloud histogram and passing it through a multi-layer perceptron. Our approach matches and surpasses state-of-the-art approaches on the task of automotive radar object type classification. It is also robust to noise that often corrupts radar measurements, and can deal with missing features of single radar reflections. Finally, the design of our approach makes it more interpretable than existing methods, allowing insightful analysis of its decisions.
Abstract（参考訳）: レーダーセンサーで記録された点雲データを正しく解釈する様々な自動車応用がある。このような点雲のヒストグラムに基づく処理のための深層学習手法を提案する。既存の手法と比較して、我々のアプローチの設計は非常に単純で、ポイントクラウドのヒストグラムを計算し、それを多層パーセプトロンに渡す。我々のアプローチは,自動車レーダの物体分類の課題における最先端のアプローチに匹敵する。また、レーダー測定を損なうような雑音にも頑健であり、単一のレーダー反射の欠如した特徴に対処できる。最後に、このアプローチの設計により、既存の手法よりも解釈しやすくなり、意思決定の洞察に富んだ分析が可能になります。

関連論文リスト

Multi-Object Tracking based on Imaging Radar 3D Object Detection [0.13499500088995461]
本稿では,古典的追跡アルゴリズムを用いて,周囲の交通参加者を追跡する手法を提案する。学習に基づく物体検出器はライダーとカメラのデータに適切に対応し、学習に基づく物体検出器は標準のレーダーデータ入力により劣っていることが示されている。レーダセンサ技術の改良により、レーダの物体検出性能は大幅に改善されたが、レーダ点雲の広さによりライダーセンサに制限されている。追跡アルゴリズムは、一貫したトラックを生成しながら、限られた検出品質を克服しなければならない。
論文参考訳（メタデータ） (2024-06-03T05:46:23Z)
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)
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)
ADCNet: Learning from Raw Radar Data via Distillation [3.519713957675842]
レーダーベースのシステムは、LiDARベースのシステムよりも低コストで、悪天候に対して堅牢である。最近の研究は、最終的なレーダー点雲の代わりに、生のレーダーデータを消費することに焦点を当てている。我々は,信号処理パイプラインの要素を我々のネットワークに持ち込み,信号処理タスクの事前学習を行うことで,検出性能の状態を達成できることを示す。
論文参考訳（メタデータ） (2023-03-21T13:31:15Z)
ERASE-Net: Efficient Segmentation Networks for Automotive Radar Signals [13.035425992944543]
本稿では,効率的なレーダセグメンテーションネットワークであるERASE-Netを導入し,生のレーダ信号を意味的に分割する。本手法は,最新技術(SOTA)と比較して,レーダセマンティックセグメンテーションタスクにおいて優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-09-26T18:23:22Z)
Deep Instance Segmentation with High-Resolution Automotive Radar [2.167586397005864]
本稿では,レーダ検出点を用いた2つの効率的な分割法を提案する。 1つは、PointNet++フレームワークを使用してエンドツーエンドのディープラーニング駆動方式で実装されている。もう一つは、セマンティック情報を用いたレーダー検出点のクラスタリングに基づいている。
論文参考訳（メタデータ） (2021-10-05T01:18:27Z)
R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文参考訳（メタデータ） (2021-08-10T17:57:03Z)
Multi-View Radar Semantic Segmentation [3.2093811507874768]
自動車用レーダーは、周囲の物体の特性を測定する安価なアクティブセンサーである。レーダー生データのサイズと複雑さのため、シーン理解にはほとんど使われない。我々は,複数の新しいアーキテクチャとそれに伴う損失を提案し,レンジアングル・ドップラーレーダテンソルの複数の"ビュー"を分析し,意味的にセグメンテーションする。
論文参考訳（メタデータ） (2021-03-30T09:56:41Z)
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文参考訳（メタデータ） (2020-10-02T00:13:00Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。