論文の概要: Multi-Echo Denoising in Adverse Weather

• arxiv url: http://arxiv.org/abs/2305.14008v1
• Date: Tue, 23 May 2023 12:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 16:29:45.087604
• Title: Multi-Echo Denoising in Adverse Weather
• Title（参考訳）: 悪天候におけるマルチエコーデノージング
• Authors: Alvari Sepp\"anen, Risto Ojala, Kari Tammi
• Abstract要約: 逆天候は光検出・測光(LiDAR)データにノイズを引き起こすことがある。 目的は、興味の対象を表すエコーを選択し、他のエコーを捨てることである。 本稿では,新しい自己教師型深層学習法と特徴類似性正規化法を提案し,その性能を向上する。
• 参考スコア（独自算出の注目度）: 1.8563342761346613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse weather can cause noise to light detection and ranging (LiDAR) data. This is a problem since it is used in many outdoor applications, e.g. object detection and mapping. We propose the task of multi-echo denoising, where the goal is to pick the echo that represents the objects of interest and discard other echoes. Thus, the idea is to pick points from alternative echoes that are not available in standard strongest echo point clouds due to the noise. In an intuitive sense, we are trying to see through the adverse weather. To achieve this goal, we propose a novel self-supervised deep learning method and the characteristics similarity regularization method to boost its performance. Based on extensive experiments on a semi-synthetic dataset, our method achieves superior performance compared to the state-of-the-art in self-supervised adverse weather denoising (23% improvement). Moreover, the experiments with a real multi-echo adverse weather dataset prove the efficacy of multi-echo denoising. Our work enables more reliable point cloud acquisition in adverse weather and thus promises safer autonomous driving and driving assistance systems in such conditions. The code is available at https://github.com/alvariseppanen/SMEDNet
• Abstract（参考訳）: 逆天候は光検出・測光(LiDAR)データにノイズを引き起こすことがある。 これは、オブジェクト検出やマッピングなど、多くの屋外アプリケーションで使われているため、問題である。 我々は,関心対象を表すエコーを選択し,他のエコーを破棄するマルチエコー・デノイジングのタスクを提案する。 したがって、ノイズのために標準の最強のエコーポイント雲では利用できない代替エコーからポイントを選ぼうという考え方である。 直感的な意味では、私たちは悪天候を乗り越えようとしている。 この目的を達成するために,新しい自己教師型深層学習法と特徴類似度正規化法を提案し,その性能を向上する。 半合成データセットに関する広範な実験に基づいて, 自己監督型悪天候認知(23%改善)における最先端の手法と比較して, 優れた性能を実現する。 さらに,実マルチエコー悪天候データセットを用いた実験により,マルチエコー発振の有効性が証明された。 我々の研究は、悪天候下でのより信頼性の高いポイントクラウドの獲得を可能にし、そのような状況下でのより安全な自動運転および運転支援システムを約束します。 コードはhttps://github.com/alvariseppanen/SMEDNetで入手できる。

関連論文リスト

• Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions [10.306226508237348]
  逆気象条件はLiDARセンサーの性能に深刻な影響を及ぼす可能性がある。 悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とする。 本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-14T10:29:00Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Self-supervised Monocular Depth Estimation: Let's Talk About The Weather [2.836066255205732]
  現在の自己監督型深度推定アーキテクチャは、深層ニューラルネットワークをトレーニングするために、晴れた晴れた天気のシーンに依存している。 本稿では,この問題を解決するために拡張を用いた手法を提案する。 我々は,提案手法であるRobust-Depthが,KITTIデータセット上でSotA性能を達成することを示すため,広範囲なテストを行う。
  論文  参考訳（メタデータ） (2023-07-17T09:50:03Z)
• Counting Crowds in Bad Weather [68.50690406143173]
  本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。 モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。 実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-02T00:00:09Z)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds [1.8563342761346613]
  このレターは、深層学習アルゴリズム(4DenoiseNet)の新たな点雲悪天候を提示する。 本アルゴリズムは,本研究における深層学習の悪天候評価手法と異なり,時間次元を生かした手法である。 結果が得られたのはSnowy KITTIのデータセットで、悪天候アノテートポイント雲は4000万以上ある。
  論文  参考訳（メタデータ） (2022-09-15T08:05:42Z)
• TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
  トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。 実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-11-29T18:57:09Z)
• 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)
• Robust Unsupervised Multi-Object Tracking in Noisy Environments [5.409476600348953]
  頑健なマルチオブジェクト追跡(MOT)モデルである AttU-Net を導入する。 提案したシングルヘッドアテンションモデルは、異なるセグメントスケールでの視覚的表現を学習することで、ノイズの負の影響を制限するのに役立つ。 本手法をMNISTとAtariゲームビデオベンチマークで評価する。
  論文  参考訳（メタデータ） (2021-05-20T19:38:03Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)

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。