論文の概要: PCPNet: An Efficient and Semantic-Enhanced Transformer Network for Point Cloud Prediction

• arxiv url: http://arxiv.org/abs/2304.07773v1
• Date: Sun, 16 Apr 2023 13:12:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 17:18:14.709340
• Title: PCPNet: An Efficient and Semantic-Enhanced Transformer Network for Point Cloud Prediction
• Title（参考訳）: PCPNet:ポイントクラウド予測のための効率的でセマンティックなトランスフォーマーネットワーク
• Authors: Zhen Luo, Junyi Ma, Zijie Zhou and Guangming Xiong
• Abstract要約: 我々は,将来的なLiDAR点雲を予測するために,トランスフォーマーベースのネットワークを提案する。 また,予測されたLiDAR点列を,地上の真実と意味的に類似させるためのセマンティック補助訓練戦略を設計する。 提案手法は,予測結果と意味的類似性において最先端のPCP手法より優れ,実時間性能も良好である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to predict future structure features of environments based on past perception information is extremely needed by autonomous vehicles, which helps to make the following decision-making and path planning more reasonable. Recently, point cloud prediction (PCP) is utilized to predict and describe future environmental structures by the point cloud form. In this letter, we propose a novel efficient Transformer-based network to predict the future LiDAR point clouds exploiting the past point cloud sequences. We also design a semantic auxiliary training strategy to make the predicted LiDAR point cloud sequence semantically similar to the ground truth and thus improves the significance of the deployment for more tasks in real-vehicle applications. Our approach is completely self-supervised, which means it does not require any manual labeling and has a solid generalization ability toward different environments. The experimental results show that our method outperforms the state-of-the-art PCP methods on the prediction results and semantic similarity, and has a good real-time performance. Our open-source code and pre-trained models are available at https://github.com/Blurryface0814/PCPNet.
• Abstract（参考訳）: 過去の認識情報に基づいて環境の将来の構造特性を予測する能力は、自動運転車にとって極めて必要であり、次の意思決定と経路計画をより合理的にすることに役立つ。 近年、ポイントクラウド予測(PCP)を用いて、ポイントクラウド形式で将来の環境構造を予測し、記述している。 本稿では,過去点雲列を利用した将来のLiDAR点雲を予測するために,トランスフォーマーを用いたネットワークを提案する。 また,予測したlidar point cloud sequenceを基礎的真理と意味的に類似させるための意味的補助訓練戦略の設計を行い,実車アプリケーションにおけるより多くのタスクに対するデプロイの重要性を改善した。 我々のアプローチは完全に自己管理されており、手動ラベリングは不要であり、異なる環境に対してしっかりとした一般化能力を有する。 実験の結果,提案手法は予測結果と意味的類似性において最先端のPCP手法よりも優れており,実時間性能も良好であることがわかった。 当社のオープンソースコードと事前トレーニングされたモデルは、https://github.com/blurryface0814/pcpnetで利用可能です。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Robust Load Prediction of Power Network Clusters Based on Cloud-Model-Improved Transformer [3.8801337536879505]
  負荷予測の主要な方法であるTransformerモデルは、天気、イベント、フェスティバル、データのボラティリティといった変数による履歴データモデリングの課題に直面している。 これを解決するために、クラウドモデルのファジィ機能を使用して不確実性を効果的に管理する。 Cloud Model Improved Transformer (CMIT) 法は、Transformer モデルと、粒子群最適化アルゴリズムを利用したクラウドモデルを統合する。
  論文  参考訳（メタデータ） (2024-07-30T13:32:26Z)
• GVFs in the Real World: Making Predictions Online for Water Treatment [23.651798878534635]
  実際の飲料水処理プラントにおける強化学習に基づく予測手法の適用について検討する。 まず、このデータセットを説明し、季節性、非定常性、部分観測可能性といった課題を強調します。 オンラインで学習するTDエージェントに対してオンライン更新を行わずに、純粋にオフラインで訓練されたTDエージェントを比較して、デプロイメントにおける学習の重要性を示す。
  論文  参考訳（メタデータ） (2023-12-04T04:49:10Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
  幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。 我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。 私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
  論文  参考訳（メタデータ） (2023-05-15T17:14:55Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)

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。