論文の概要: DisPlacing Objects: Improving Dynamic Vehicle Detection via Visual Place
Recognition under Adverse Conditions
- arxiv url: http://arxiv.org/abs/2306.17536v1
- Date: Fri, 30 Jun 2023 10:46:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 12:54:32.307589
- Title: DisPlacing Objects: Improving Dynamic Vehicle Detection via Visual Place
Recognition under Adverse Conditions
- Title（参考訳）: displacing objects: 視覚位置認識による動的車両検出の悪条件下での改善
- Authors: Stephen Hausler, Sourav Garg, Punarjay Chakravarty, Shubham
Shrivastava, Ankit Vora, Michael Milford
- Abstract要約: 本研究では,3次元マップを必要とせずに,シーン内の動的物体の検出を支援するために,先行マップを活用できるかどうかを検討する。
提案手法は,対象物検出の初期セットを洗練し,事前マップを用いて高精度な検出のサブセットを生成するアルゴリズムである。
- 参考スコア（独自算出の注目度）: 29.828201168816243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Can knowing where you are assist in perceiving objects in your surroundings,
especially under adverse weather and lighting conditions? In this work we
investigate whether a prior map can be leveraged to aid in the detection of
dynamic objects in a scene without the need for a 3D map or pixel-level
map-query correspondences. We contribute an algorithm which refines an initial
set of candidate object detections and produces a refined subset of highly
accurate detections using a prior map. We begin by using visual place
recognition (VPR) to retrieve a reference map image for a given query image,
then use a binary classification neural network that compares the query and
mapping image regions to validate the query detection. Once our classification
network is trained, on approximately 1000 query-map image pairs, it is able to
improve the performance of vehicle detection when combined with an existing
off-the-shelf vehicle detector. We demonstrate our approach using standard
datasets across two cities (Oxford and Zurich) under different settings of
train-test separation of map-query traverse pairs. We further emphasize the
performance gains of our approach against alternative design choices and show
that VPR suffices for the task, eliminating the need for precise ground truth
localization.
- Abstract（参考訳）: 周囲の物体、特に悪天候や照明条件下での認識を、どこで助けているのかわかるだろうか?
本研究では,3次元マップや画素レベルのマップクエリ対応を必要とせずに,シーン内の動的オブジェクトの検出を支援するために,先行マップを活用できるかどうかを検討する。
提案手法は,対象物検出の初期セットを洗練し,事前マップを用いて高精度な検出のサブセットを生成するアルゴリズムである。
まず,視覚位置認識(vpr)を用いて与えられた問合せ画像の参照地図画像を検索し,その問合せを比較し,問合せ検出を行う画像領域をマッピングするバイナリ分類ニューラルネットワークを使用する。
分類ネットワークをトレーニングすると、約1000のクエリマップイメージペアで、既存のオフザシェルフ車両検出器と組み合わせることで、車両検出の性能を向上させることができる。
マップクエリトラバースペアの列車テスト分離の異なる設定下で,2つの都市(オックスフォード市とチューリッヒ市)にまたがる標準データセットを用いたアプローチを実証した。
代替設計選択に対する我々のアプローチのパフォーマンス向上をさらに強調し、vprがタスクに十分であることを示し、正確な基底的真理の定式化の必要性をなくす。
関連論文リスト
- Breaking the Frame: Image Retrieval by Visual Overlap Prediction [53.17564423756082]
本稿では,隠蔽や複雑なシーンを効果的に扱う新しい視覚的位置認識手法,VOPを提案する。
提案手法は,高コストな特徴検出とマッチングを必要とせず,可視画像区間の識別を可能にする。
論文 参考訳（メタデータ） (2024-06-23T20:00:20Z) - Map-aided annotation for pole base detection [0.0]
本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。
高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。
ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
論文 参考訳（メタデータ） (2024-03-04T09:23:11Z) - Improving the matching of deformable objects by learning to detect
keypoints [6.4587163310833855]
本研究では,非剛性画像対応タスクにおける正しいマッチング数を増やすための新しい学習キーポイント検出手法を提案する。
我々はエンドツーエンドの畳み込みニューラルネットワーク(CNN)をトレーニングし、考慮された記述子により適したキーポイント位置を見つける。
実験により,本手法は検出手法と併用して多数の記述子の平均マッチング精度を向上させることを示した。
また,本手法を,現在利用可能な最も優れたキーポイント検出器と同等に動作する複雑な実世界のタスクオブジェクト検索に適用する。
論文 参考訳（メタデータ） (2023-09-01T13:02:19Z) - Unleash the Potential of Image Branch for Cross-modal 3D Object
Detection [67.94357336206136]
画像分岐のポテンシャルを2つの側面から解き放つことを目的として,新しい3Dオブジェクト検出器UPIDetを提案する。
まず、UPIDetは正規化された局所座標写像推定と呼ばれる新しい2次元補助タスクを導入する。
第2に,イメージブランチのトレーニング目標から逆転する勾配によって,ポイントクラウドバックボーンの表現能力を向上できることを見出した。
論文 参考訳（メタデータ） (2023-01-22T08:26:58Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。
本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
論文 参考訳（メタデータ） (2022-07-27T13:16:39Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2022-04-10T19:16:58Z) - Semantic Image Alignment for Vehicle Localization [111.59616433224662]
単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。
既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
論文 参考訳（メタデータ） (2021-10-08T14:40:15Z) - Aerial Map-Based Navigation Using Semantic Segmentation and Pattern
Matching [1.6244541005112747]
提案システムは,画像と地図データベース間の画像と画像のマッチングではなく,ラベルとラベルのマッチングを試みる。
高レベルの特徴を抽出するツールとしてディープラーニング技術を用いることで、画像ベースのローカライゼーション問題をパターンマッチング問題に還元する。
論文 参考訳（メタデータ） (2021-07-01T18:31:42Z) - SpotNet: Self-Attention Multi-Task Network for Object Detection [11.444576186559487]
我々は,背景サブトラクションや光フローを用いて,半教師付き方式で前景/後景セグメンテーションラベルを作成する。
ネットワーク内のセグメンテーションマップを自己認識機構として使用して,境界ボックスの生成に使用する特徴マップを重み付けする。
この手法を用いることで,2つの交通監視データセットにおいて,重要なmAP改善が得られることを示す。
論文 参考訳（メタデータ） (2020-02-13T14:43:24Z)
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。