Fugu-MT 論文翻訳(概要): Semantic Segmentation of Radar Detections using Convolutions on Point Clouds

論文の概要: Semantic Segmentation of Radar Detections using Convolutions on Point Clouds

arxiv url: http://arxiv.org/abs/2305.12775v1
Date: Mon, 22 May 2023 07:09:35 GMT
ステータス: 処理完了
システム内更新日: 2023-05-23 17:50:06.410365
Title: Semantic Segmentation of Radar Detections using Convolutions on Point Clouds
Title（参考訳）: 点雲上の畳み込みを用いたレーダ検出のセマンティックセグメンテーション
Authors: Marco Braun, Alessandro Cennamo, Markus Schoeler, Kevin Kollek, Anton Kummert
Abstract要約: 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。
参考スコア（独自算出の注目度）: 59.45414406974091
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For autonomous driving, radar sensors provide superior reliability regardless of weather conditions as well as a significantly high detection range. State-of-the-art algorithms for environment perception based on radar scans build up on deep neural network architectures that can be costly in terms of memory and computation. By processing radar scans as point clouds, however, an increase in efficiency can be achieved in this respect. While Convolutional Neural Networks show superior performance on pattern recognition of regular data formats like images, the concept of convolutions is not yet fully established in the domain of radar detections represented as point clouds. The main challenge in convolving point clouds lies in their irregular and unordered data format and the associated permutation variance. Therefore, we apply a deep-learning based method introduced by PointCNN that weights and permutes grouped radar detections allowing the resulting permutation invariant cluster to be convolved. In addition, we further adapt this algorithm to radar-specific properties through distance-dependent clustering and pre-processing of input point clouds. Finally, we show that our network outperforms state-of-the-art approaches that are based on PointNet++ on the task of semantic segmentation of radar point clouds.
Abstract（参考訳）: 自律運転の場合、レーダーセンサーは、気象条件や検出範囲がかなり高いにもかかわらず、優れた信頼性を提供する。レーダスキャンに基づく環境認識のための最先端アルゴリズムは、メモリと計算の面でコストがかかるディープニューラルネットワークアーキテクチャ上に構築されている。しかし、レーダースキャンを点雲として処理することで、この点において効率の向上が達成される。畳み込みニューラルネットワークは、画像のような通常のデータフォーマットのパターン認識において優れた性能を示すが、畳み込みの概念は、ポイントクラウドとして表現されるレーダー検出の領域において、まだ完全に確立されていない。点雲を畳むことの主な課題は、不規則で順序のないデータ形式と関連する置換分散にある。そこで,pointcnnが導入した深層学習に基づく手法では,群レーダ検出の重み付けと置換を行い,結果として生じる置換不変クラスタの畳み込みを可能にする。さらに,このアルゴリズムを,距離依存型クラスタリングと入力点群の前処理を通じてレーダ特性に適用する。最後に,我々のネットワークは,レーダーポイントクラウドのセマンティクスセグメンテーションタスクにおいて,pointnet++に基づく最先端のアプローチよりも優れていることを示す。

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)
End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。 NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文参考訳（メタデータ） (2023-12-15T13:47:16Z)
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)
Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural Network Trained with Enhanced Virtual Data [0.4640835690336652]
本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。提案したDNN処理は、エイリアスフリーレーダイメージングと超解像の両方を提供することができる。完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
論文参考訳（メタデータ） (2023-06-16T13:37:47Z)
RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception [0.0]
点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。 RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
論文参考訳（メタデータ） (2023-04-13T13:57:21Z)
AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文参考訳（メタデータ） (2022-08-24T16:54:38Z)
Improved Orientation Estimation and Detection with Hybrid Object Detection Networks for Automotive Radar [1.53934570513443]
我々は,レーダに基づく物体検出ネットワークを改善するために,グリッドとポイントを併用した新しいハイブリッドアーキテクチャを提案する。格子描画の前に、点の正確な相対位置を利用して、点ベースモデルが近傍の特徴を抽出できることが示される。これは、次の畳み込み検出バックボーンに対して大きなメリットがある。
論文参考訳（メタデータ） (2022-05-03T06:29:03Z)
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)
A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文参考訳（メタデータ） (2020-10-15T12:15:02Z)
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。