論文の概要: DMNR: Unsupervised De-noising of Point Clouds Corrupted by Airborne
Particles
- arxiv url: http://arxiv.org/abs/2305.05991v1
- Date: Wed, 10 May 2023 08:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 13:48:42.874950
- Title: DMNR: Unsupervised De-noising of Point Clouds Corrupted by Airborne
Particles
- Title(参考訳): DMNR:大気中の粒子による点雲の非監視的ノイズ化
- Authors: Chu Chen, Yanqi Ma, Bingcheng Dong, Junjie Cao
- Abstract要約: 我々は,動的マルチスレッドノイズ除去 (DMNR) と DMNR-H という2つの動的フィルタリング手法を開発した。
DMNRとDMNR-Hはどちらも2つのデータセットで有意な差で最先端の教師なし手法より優れている。
我々の手法は、雪や霧のような様々なLiDARセンサーや空中に浮かぶ粒子に対してより堅牢である。
- 参考スコア(独自算出の注目度): 1.8358940907308805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR sensors are critical for autonomous driving and robotics applications
due to their ability to provide accurate range measurements and their
robustness to lighting conditions. However, airborne particles, such as fog,
rain, snow, and dust, will degrade its performance and it is inevitable to
encounter these inclement environmental conditions outdoors. It would be a
straightforward approach to remove them by supervised semantic segmentation.
But annotating these particles point wisely is too laborious. To address this
problem and enhance the perception under inclement conditions, we develop two
dynamic filtering methods called Dynamic Multi-threshold Noise Removal (DMNR)
and DMNR-H by accurate analysis of the position distribution and intensity
characteristics of noisy points and clean points on publicly available WADS and
DENSE datasets. Both DMNR and DMNR-H outperform state-of-the-art unsupervised
methods by a significant margin on the two datasets and are slightly better
than supervised deep learning-based methods. Furthermore, our methods are more
robust to different LiDAR sensors and airborne particles, such as snow and fog.
- Abstract(参考訳): LiDARセンサーは、正確な距離測定と照明条件への堅牢性を提供する能力のため、自動運転やロボティクスの応用に欠かせない。
しかし, 霧, 雨, 雪, ダストなどの飛散粒子は, 性能を低下させ, 屋外の無秩序な環境に直面することは避けられない。
セマンティクスセグメンテーションを監督することでそれらを取り除くのは簡単なアプローチでしょう。
しかし、これらの粒子を巧みに注釈するのは非常に手間がかかる。
この問題に対処し、インクリメント条件下での知覚を高めるために、公用WADSおよびDENSEデータセット上のノイズ点とクリーン点の位置分布と強度特性の正確な解析により、動的マルチスレッドノイズ除去(DMNR)とDMNR-Hと呼ばれる2つの動的フィルタリング手法を開発した。
DMNRとDMNR-Hはどちらも2つのデータセットにおいて最先端の非教師付き手法よりも優れており、教師付き深層学習法よりも若干優れている。
さらに,本手法は,降雪や霧など,様々なLiDARセンサや空中粒子に対してより堅牢である。
関連論文リスト
- DiffSSC: Semantic LiDAR Scan Completion using Denoising Diffusion Probabilistic Models [18.342569823885864]
3D LiDARセンサーは、車両の周囲の粗い点雲を捉えるために広く使われている。
このようなシステムは、これらの点雲の空白さと意味論の欠如により、隠蔽された領域と風景の隙間を知覚するのに苦労する。
我々は、より完全なシーン表現を目指して、生のLiDAR測定で得られたシーンにおける観測されていない幾何学と意味を共同で予測する。
論文 参考訳(メタデータ) (2024-09-26T17:39:05Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳(メタデータ) (2024-06-10T21:44:52Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳(メタデータ) (2023-08-14T16:48:57Z) - Detecting the Anomalies in LiDAR Pointcloud [8.827947115933942]
逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。
そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
論文 参考訳(メタデータ) (2023-07-31T22:53:42Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳(メタデータ) (2022-09-02T17:44:50Z) - Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。
本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。
DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
論文 参考訳(メタデータ) (2022-01-12T10:23:14Z) - A Benchmark for Spray from Nearby Cutting Vehicles [7.767933159959353]
本論文は噴霧による乱れの検査方法について述べる。
噴霧による乱れを評価するための評価スキームとともに、新しい軽量噴霧装置を導入している。
密閉車両の一般的なシナリオでは、歪みが最大4秒までの知覚スタックに深刻な影響を与えていることが分かる。
論文 参考訳(メタデータ) (2021-08-24T15:40:09Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z)
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。