論文の概要: Exploiting Sparsity in Automotive Radar Object Detection Networks

• arxiv url: http://arxiv.org/abs/2308.07748v1
• Date: Tue, 15 Aug 2023 12:58:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 12:49:23.028677
• Title: Exploiting Sparsity in Automotive Radar Object Detection Networks
• Title（参考訳）: 自動車レーダ物体検出ネットワークにおけるスパーシティの活用
• Authors: Marius Lippke, Maurice Quach, Sascha Braun, Daniel K\"ohler, Michael Ulrich, Bastian Bischoff and Wei Yap Tan
• Abstract要約: 本稿では,グリッドベースの強力な検出と低計算資源を組み合わせたスパース畳み込みオブジェクト検出ネットワークについて検討する。 本稿では、グリッドレンダリングとスパースバックボーンアーキテクチャの補正として、スパースカーネルポイントピラー(SKPP)とデュアルボクセルポイントコンボリューション(DVPC)を提案する。 SKPP-DPVCN アーキテクチャを nuScenes 上で評価し, ベースラインの5.89%, 先行状態の4.19% を Car AP4.0 で上回った。
• 参考スコア（独自算出の注目度）: 1.3194391758295114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Having precise perception of the environment is crucial for ensuring the secure and reliable functioning of autonomous driving systems. Radar object detection networks are one fundamental part of such systems. CNN-based object detectors showed good performance in this context, but they require large compute resources. This paper investigates sparse convolutional object detection networks, which combine powerful grid-based detection with low compute resources. We investigate radar specific challenges and propose sparse kernel point pillars (SKPP) and dual voxel point convolutions (DVPC) as remedies for the grid rendering and sparse backbone architectures. We evaluate our SKPP-DPVCN architecture on nuScenes, which outperforms the baseline by 5.89% and the previous state of the art by 4.19% in Car AP4.0. Moreover, SKPP-DPVCN reduces the average scale error (ASE) by 21.41% over the baseline.
• Abstract（参考訳）: 環境を正確に認識することは、自律運転システムの安全で信頼性の高い機能を保証する上で不可欠である。 レーダオブジェクト検出ネットワークはそのようなシステムの基本部分である。 CNNベースのオブジェクト検出器はこの文脈で優れた性能を示したが、大きな計算資源を必要とした。 本稿では,強力なグリッドベース検出と低計算資源を組み合わせた分散畳み込み物体検出ネットワークについて検討する。 本稿では,SKPP (Sparse kernel point pillars) とDVPC (Double voxel point convolutions) をグリッドレンダリングおよびスパースバックボーンアーキテクチャの補正として提案する。 SKPP-DPVCN アーキテクチャを nuScenes 上で評価し, ベースラインの5.89%, 先行状態の4.19% を Car AP4.0 で上回った。 さらに、SKPP-DPVCNはベースライン上の平均スケール誤差(ASE)を21.41%削減する。

関連論文リスト

• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Improved Multi-Scale Grid Rendering of Point Clouds for Radar Object Detection Networks [3.3787383461150045]
  不規則点雲データから密度の強い格子構造への転送は、しばしば情報の喪失と関連している。 グリッドレンダリングの負の効果を軽減することを目的とした,新しいアーキテクチャであるマルチスケールKPPillarsBEVを提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:26:42Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  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。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• 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)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds [51.47100091540298]
  本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
  論文  参考訳（メタデータ） (2021-08-31T23:27:33Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• Simple Training Strategies and Model Scaling for Object Detection [38.27709720726833]
  RetinaNetおよびRCNN検出器を用いたバニラResNet-FPNバックボーンのベンチマークを行った。 バニラ検出器は精度が7.7%向上し、速度は30%速くなった。 我々の最大のRCNN-RSモデルは、ResNet152-FPNバックボーンで52.9%AP、SpineNet143Lバックボーンで53.6%APを達成した。
  論文  参考訳（メタデータ） (2021-06-30T18:41:47Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)

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。