論文の概要: T-FFTRadNet: Object Detection with Swin Vision Transformers from Raw ADC Radar Signals

• arxiv url: http://arxiv.org/abs/2303.16940v1
• Date: Wed, 29 Mar 2023 18:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 15:30:30.021961
• Title: T-FFTRadNet: Object Detection with Swin Vision Transformers from Raw ADC Radar Signals
• Title（参考訳）: T-FFTRadNet:生ADCレーダ信号からのスイニングビジョン変換器による物体検出
• Authors: James Giroux, Martin Bouchard, Robert Laganiere
• Abstract要約: 周波数変調連続波レーダを用いた物体検出は、自律システムの分野でますます人気が高まっている。 レーダーは、LiDARのような他の放射型センサーで見られるような欠点を持っておらず、主に雨や雪などの気象条件による帰還信号の劣化や損失がある。 本稿では,レーダ物体検出の分野に階層型スウィンビジョントランスフォーマーを導入し,前処理で異なる入力に対して,異なるレーダ構成で操作可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object detection utilizing Frequency Modulated Continous Wave radar is becoming increasingly popular in the field of autonomous systems. Radar does not possess the same drawbacks seen by other emission-based sensors such as LiDAR, primarily the degradation or loss of return signals due to weather conditions such as rain or snow. However, radar does possess traits that make it unsuitable for standard emission-based deep learning representations such as point clouds. Radar point clouds tend to be sparse and therefore information extraction is not efficient. To overcome this, more traditional digital signal processing pipelines were adapted to form inputs residing directly in the frequency domain via Fast Fourier Transforms. Commonly, three transformations were used to form Range-Azimuth-Doppler cubes in which deep learning algorithms could perform object detection. This too has drawbacks, namely the pre-processing costs associated with performing multiple Fourier Transforms and normalization. We explore the possibility of operating on raw radar inputs from analog to digital converters via the utilization of complex transformation layers. Moreover, we introduce hierarchical Swin Vision transformers to the field of radar object detection and show their capability to operate on inputs varying in pre-processing, along with different radar configurations, i.e. relatively low and high numbers of transmitters and receivers, while obtaining on par or better results than the state-of-the-art.
• Abstract（参考訳）: 周波数変調連続波レーダを用いた物体検出は、自律システムの分野でますます普及している。 radarはlidarのような他のエミッションベースのセンサーで見られるのと同じ欠点を持たず、主に雨や雪などの気象条件によるリターン信号の劣化や損失である。 しかし、レーダーには、点雲のような標準的な放射ベースのディープラーニング表現には適さない特性がある。 レーダー点雲はスパースであるため、情報抽出は効率的ではない。 これを解決するために、より伝統的なデジタル信号処理パイプラインは高速フーリエ変換によって周波数領域に直在する入力を形成するように適応された。 一般的には、ディープラーニングアルゴリズムがオブジェクト検出を実行できる範囲アジマス-ドップラー立方体を形成するために3つの変換が使われた。 これはまた、複数のフーリエ変換と正規化の実行に関連する前処理コストという欠点もある。 複雑な変換層を利用したアナログ変換器からデジタル変換器への生レーダ入力の操作の可能性を検討する。 さらに, レーダー物体検出の分野に階層的なスウィンビジョントランスを導入し, 先行処理の異なる入力に対して, 異なるレーダ構成, すなわち, 送信機や受信機を比較的少なく, 高い数で操作する能力を示すとともに, 最新技術と同等以上の結果を得た。

関連論文リスト

• 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)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• RadarLCD: Learnable Radar-based Loop Closure Detection Pipeline [4.09225917049674]
  本研究では,ループクロージャ検出に特化して設計された新しい教師付きディープラーニングパイプラインであるRadarLCDを紹介する。 RadarLCDは、事前訓練されたHERO(Hybrid Estimation Radar Odometry)モデルを活用することで、大きな貢献をしている。 この手法は、様々なFMCW Radarデータセットシーンで評価を行う。
  論文  参考訳（メタデータ） (2023-09-13T17:10:23Z)
• 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)
• RCDPT: Radar-Camera fusion Dense Prediction Transformer [1.5899159309486681]
  本稿では,レーダデータを視覚トランスネットワークに統合するための新しい融合戦略を提案する。 リードアウトトークンを使用する代わりに、レーダー表現は単眼深度推定モデルに追加の深度情報を提供する。 実験は、カメラ画像、ライダー、レーダーデータを含むnuScenesデータセット上で実施されている。
  論文  参考訳（メタデータ） (2022-11-04T13:16:20Z)
• mm-Wave Radar Hand Shape Classification Using Deformable Transformers [0.46007387171990594]
  リアルタイム・ミリ波レーダを用いた静的手形分類アルゴリズムと実装を提案する。 この手法は60Ghzレーダをセンサ入力として使用し、低コストかつプライバシーに敏感なタッチレス制御技術にいくつかの応用を見出した。
  論文  参考訳（メタデータ） (2022-10-24T09:56:11Z)
• Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
  imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
  論文  参考訳（メタデータ） (2022-05-19T15:11:20Z)
• Unsupervised Domain Adaptation across FMCW Radar Configurations Using Margin Disparity Discrepancy [17.464353263281907]
  本研究では、ディープラーニングの人間活動分類の文脈において、レーダー構成にまたがる非教師なし領域適応の問題を考える。 我々は、コンピュータビジョンの分野ですでに成功している、Margin Disparity Discrepancyの理論に触発されたテクニックに焦点を当てた。 我々の実験は、この手法をレーダーデータに拡張し、同じ分類問題に対する少数ショット教師付きアプローチに匹敵する精度を達成した。
  論文  参考訳（メタデータ） (2022-03-09T09:11:06Z)
• 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)

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。