論文の概要: Tackling Clutter in Radar Data -- Label Generation and Detection Using PointNet++

• arxiv url: http://arxiv.org/abs/2303.09530v1
• Date: Thu, 16 Mar 2023 17:46:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 14:18:03.143106
• Title: Tackling Clutter in Radar Data -- Label Generation and Detection Using PointNet++
• Title（参考訳）: レーダデータにおけるクラッタの処理 -- PointNet++ を用いたラベル生成と検出
• Authors: Johannes Kopp, Dominik Kellner, Aldi Piroli and Klaus Dietmayer
• Abstract要約: クラッタを識別するための2つの新しいニューラルネットワーク構成を提案する。 入力データ、ネットワークアーキテクチャ、トレーニング設定は、このタスクのために特別に調整される。 オブジェクトアノテーションで既存のデータに適用し、そのコードをリリースすることで、我々は、初めて利用可能なレーダークラッタデータセットを効果的に作成する。
• 参考スコア（独自算出の注目度）: 10.113809521379022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar sensors employed for environment perception, e.g. in autonomous vehicles, output a lot of unwanted clutter. These points, for which no corresponding real objects exist, are a major source of errors in following processing steps like object detection or tracking. We therefore present two novel neural network setups for identifying clutter. The input data, network architectures and training configuration are adjusted specifically for this task. Special attention is paid to the downsampling of point clouds composed of multiple sensor scans. In an extensive evaluation, the new setups display substantially better performance than existing approaches. Because there is no suitable public data set in which clutter is annotated, we design a method to automatically generate the respective labels. By applying it to existing data with object annotations and releasing its code, we effectively create the first freely available radar clutter data set representing real-world driving scenarios. Code and instructions are accessible at www.github.com/kopp-j/clutter-ds.
• Abstract（参考訳）: 環境認識に使用されるレーダーセンサー(例えば自動運転車)は、多くの不要な乱雑を出力する。 対応する実オブジェクトが存在しないこれらのポイントは、オブジェクト検出やトラッキングのような処理ステップにおけるエラーの主な原因である。 そこで本研究では,クラッタ同定のための2つのニューラルネットワーク構成を提案する。 このタスクのために、入力データ、ネットワークアーキテクチャ、トレーニング構成を調整する。 複数のセンサースキャンからなる点雲のダウンサンプリングには特に注意が払われる。 広範な評価において、新しいセットアップは、既存のアプローチよりも大幅に優れたパフォーマンスを示す。 clutterをアノテートした適切な公開データセットがないため,各ラベルを自動的に生成する手法を設計した。 オブジェクトアノテーションで既存のデータに適用し、そのコードを公開することにより、現実の運転シナリオを表す最初の自由に利用可能なレーダークラッタデータセットを効果的に作成する。 コードと命令はwww.github.com/kopp-j/clutter-dsでアクセスできる。

関連論文リスト

• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• Addressing Data Annotation Challenges in Multiple Sensors: A Solution for Scania Collected Datasets [41.68378073302622]
  自動運転車のデータアノテーションは、ディープニューラルネットワーク(DNN)ベースのモデルの開発における重要なステップである。 この記事では、主にScaniaが収集したデータセットのコンテキスト内で、この問題に対処することに焦点を当てます。 提案手法は,アノテートされた物体の軌跡を入力とし,移動水平推定(MHE)を用いてその速度を頑健に推定する。
  論文  参考訳（メタデータ） (2024-03-27T14:56:44Z)
• Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data [12.96486891333286]
  レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。 レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。 もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。 我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T11:29:38Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• Object Segmentation of Cluttered Airborne LiDAR Point Clouds [0.0]
  クラッタで囲まれた任意の数のLiDARポイントによって定義されるオブジェクトの検出とセグメンテーションを自動化するためのエンドツーエンドのディープラーニングフレームワークを提案する。 本手法は,オブジェクト認識とセグメンテーションの両タスクにおいて,優れた性能を実現するPointNetの軽量バージョンをベースとしている。
  論文  参考訳（メタデータ） (2022-10-28T11:58:22Z)
• Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse Geo-Annotations (Full Version) [4.493174773769076]
  本稿では,非常にノイズの多い,不完全なアノテーションを用いたオブジェクト検出器のトレーニング手法を提案する。 本手法は,教師による学習フレームワークと,不正確で欠落したアノテーションを考慮した修正モジュールに基づく。 我々は,雑音の多い実世界のリモートセンシングデータセット上で,標準検出器を37.1%$AP_50$で改善できることを実証した。
  論文  参考訳（メタデータ） (2022-10-24T07:25:31Z)
• Fast Rule-Based Clutter Detection in Automotive Radar Data [10.379073531824456]
  自動車用レーダーセンサーは、多くの不要なクラッタやゴースト検出を出力する。 乱雑な検出は、複数の連続測定でグループや同様の場所で起こる。 このような誤検出を識別する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-27T11:32:50Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。