論文の概要: Re-Evaluating LiDAR Scene Flow for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2304.02150v2
- Date: Wed, 20 Dec 2023 16:15:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 22:08:58.136450
- Title: Re-Evaluating LiDAR Scene Flow for Autonomous Driving
- Title(参考訳): 自動運転のためのLiDARシーンフローの再評価
- Authors: Nathaniel Chodosh, Deva Ramanan, Simon Lucey
- Abstract要約: 自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。
実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。
学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
- 参考スコア(独自算出の注目度): 80.37947791534985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Popular benchmarks for self-supervised LiDAR scene flow (stereoKITTI, and
FlyingThings3D) have unrealistic rates of dynamic motion, unrealistic
correspondences, and unrealistic sampling patterns. As a result, progress on
these benchmarks is misleading and may cause researchers to focus on the wrong
problems. We evaluate a suite of top methods on a suite of real-world datasets
(Argoverse 2.0, Waymo, and NuScenes) and report several conclusions. First, we
find that performance on stereoKITTI is negatively correlated with performance
on real-world data. Second, we find that one of this task's key components --
removing the dominant ego-motion -- is better solved by classic ICP than any
tested method. Finally, we show that despite the emphasis placed on learning,
most performance gains are caused by pre- and post-processing steps:
piecewise-rigid refinement and ground removal. We demonstrate this through a
baseline method that combines these processing steps with a learning-free
test-time flow optimization. This baseline outperforms every evaluated method.
- Abstract(参考訳): 自己監督型LiDARシーンフロー(stereoKITTI、FlyingThings3D)の一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。
結果として、これらのベンチマークの進歩は誤解を招き、研究者が間違った問題に集中する可能性がある。
実世界のデータセット(Argoverse 2.0、Waymo、NuScenes)でトップメソッドのスイートを評価し、いくつかの結論を報告する。
まず,ステレオKITTIの性能は実世界のデータと負の相関関係にあることがわかった。
第二に、このタスクの重要なコンポーネントの1つ、支配的なエゴモーションを取り除くことは、テスト方法よりも古典的なICPによって解決される。
最後に,学習に重点が置かれているにもかかわらず,ほとんどの性能向上は前処理と後処理のステップによって引き起こされることを示す。
本研究では,これらの処理ステップを学習不要なテスト時間フロー最適化と組み合わせたベースライン手法によりこれを実証する。
この基準線は評価されたすべての方法より優れている。
関連論文リスト
- Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳(メタデータ) (2024-10-16T08:07:18Z) - Dual-frame Fluid Motion Estimation with Test-time Optimization and Zero-divergence Loss [9.287932323337163]
3次元粒子追跡速度計(PTV)は乱流解析の鍵となる技術である。
深層学習に基づく手法は、2フレームの流体運動推定において顕著な精度を達成している。
我々は,完全に自己管理された新しい手法を導入し,完全に教師された手法よりも優れていた。
論文 参考訳(メタデータ) (2024-10-15T18:00:00Z) - Exploring the Performance of Continuous-Time Dynamic Link Prediction Algorithms [14.82820088479196]
ダイナミックリンク予測(DLP)は、進化するネットワークにおける将来のリンクの予測に対処する。
本研究では,このような総合的な評価を行うためのツールをコントリビュートする。
評価時に使用可能な陰性サンプリング手法の網羅的な分類法について述べる。
論文 参考訳(メタデータ) (2024-05-27T14:03:28Z) - Planning for Sample Efficient Imitation Learning [52.44953015011569]
現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。
本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。
実験結果から,EIは性能と試料効率の両立を図った。
論文 参考訳(メタデータ) (2022-10-18T05:19:26Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - What Stops Learning-based 3D Registration from Working in the Real
World? [53.68326201131434]
この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。
最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。
我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
論文 参考訳(メタデータ) (2021-11-19T19:24:27Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - A Critical Assessment of State-of-the-Art in Entity Alignment [1.7725414095035827]
本稿では,知識グラフにおけるエンティティアライメントのタスクに対する2つの最先端(SotA)手法について検討する。
まず、ベンチマークプロセスについて慎重に検討し、いくつかの欠点を特定した。
論文 参考訳(メタデータ) (2020-10-30T15:09:19Z) - Continuous Optimization Benchmarks by Simulation [0.0]
最適化アルゴリズムのテスト、比較、チューニング、理解にはベンチマーク実験が必要である。
以前の評価から得られたデータは、ベンチマークに使用される代理モデルのトレーニングに使用することができる。
本研究では,スペクトルシミュレーションにより連続最適化問題のシミュレーションが可能であることを示す。
論文 参考訳(メタデータ) (2020-08-14T08:50:57Z)
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。