論文の概要: ADCNet: Learning from Raw Radar Data via Distillation

• arxiv url: http://arxiv.org/abs/2303.11420v3
• Date: Wed, 13 Dec 2023 17:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 21:03:01.598404
• Title: ADCNet: Learning from Raw Radar Data via Distillation
• Title（参考訳）: ADCNet: 蒸留によるRAWレーダデータからの学習
• Authors: Bo Yang, Ishan Khatri, Michael Happold, Chulong Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.519713957675842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As autonomous vehicles and advanced driving assistance systems have entered wider deployment, there is an increased interest in building robust perception systems using radars. Radar-based systems are lower cost and more robust to adverse weather conditions than their LiDAR-based counterparts; however the point clouds produced are typically noisy and sparse by comparison. In order to combat these challenges, recent research has focused on consuming the raw radar data, instead of the final radar point cloud. We build on this line of work and demonstrate that by bringing elements of the signal processing pipeline into our network and then pre-training on the signal processing task, we are able to achieve state of the art detection performance on the RADIal dataset. Our method uses expensive offline signal processing algorithms to pseudo-label data and trains a network to distill this information into a fast convolutional backbone, which can then be finetuned for perception tasks. Extensive experiment results corroborate the effectiveness of the proposed techniques.
• Abstract（参考訳）: 自動運転車や高度な運転支援システムが広く展開されるにつれて、レーダーを用いた堅牢な認識システムの構築への関心が高まっている。 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、悪天候条件に対してより堅牢である。 これらの課題に対処するために、最近の研究は、最終レーダーポイントクラウドではなく、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、この一連の作業の上に構築し、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、信号処理タスクで事前学習することにより、RADIalデータセット上でのアート検出性能の状態を達成できることを実証する。 提案手法は高価なオフライン信号処理アルゴリズムを用いて擬似ラベルデータを処理し、ネットワークを訓練し、その情報を高速畳み込みバックボーンに蒸留し、知覚タスク用に微調整することができる。 実験結果は,提案手法の有効性を裏付けるものである。

関連論文リスト

• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• 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)
• RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection Model [13.214257841152033]
  レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。 本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。 また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
  論文  参考訳（メタデータ） (2023-04-17T17:07:35Z)
• Automotive RADAR sub-sampling via object detection networks: Leveraging prior signal information [18.462990836437626]
  自動運転技術への関心が高まり、自動車レーダーはますます注目を集めている。 本研究では,従来の環境条件の知識に基づいて,より詳細な/正確な再構築を必要とする地域を特定するための適応型レーダサブサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-21T05:32:28Z)
• 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)
• End-to-end system for object detection from sub-sampled radar data [18.462990836437626]
  本稿では,車載環境下で物体検出を行うために,サブサンプリングレーダデータを利用するエンドツーエンド信号処理パイプラインを提案する。 極端気象条件下での試料の20%を用いて再構成したレーダーデータに基づくロバスト検出を示す。 微調整セットで20%のサンプルレーダデータを生成し,AP50が1.1%,AP50が3%向上した。
  論文  参考訳（メタデータ） (2022-03-08T08:02:33Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• 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)
• 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。

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。