論文の概要: Poster: Making Edge-assisted LiDAR Perceptions Robust to Lossy Point
Cloud Compression
- arxiv url: http://arxiv.org/abs/2309.04549v1
- Date: Fri, 8 Sep 2023 18:34:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 17:48:49.326919
- Title: Poster: Making Edge-assisted LiDAR Perceptions Robust to Lossy Point
Cloud Compression
- Title（参考訳）: エッジアシストのlidar認識をロスポイントクラウド圧縮に堅牢にするポスター
- Authors: Jin Heo, Gregorie Phillips, Per-Erik Brodin, Ada Gavrilovska
- Abstract要約: 損失圧縮による知覚性能損失を軽減するため,LiDAR点雲の品質を向上するアルゴリズムを提案する。
既存の画像アルゴリズムと比較して,距離画像から点雲を再構成した場合の定性的な結果が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time light detection and ranging (LiDAR) perceptions, e.g., 3D object
detection and simultaneous localization and mapping are computationally
intensive to mobile devices of limited resources and often offloaded on the
edge. Offloading LiDAR perceptions requires compressing the raw sensor data,
and lossy compression is used for efficiently reducing the data volume. Lossy
compression degrades the quality of LiDAR point clouds, and the perception
performance is decreased consequently. In this work, we present an
interpolation algorithm improving the quality of a LiDAR point cloud to
mitigate the perception performance loss due to lossy compression. The
algorithm targets the range image (RI) representation of a point cloud and
interpolates points at the RI based on depth gradients. Compared to existing
image interpolation algorithms, our algorithm shows a better qualitative result
when the point cloud is reconstructed from the interpolated RI. With the
preliminary results, we also describe the next steps of the current work.
- Abstract（参考訳）: リアルタイム光検出・測光(LiDAR)の知覚、たとえば3Dオブジェクトの検出と同時位置決めとマッピングは、限られたリソースを持つモバイルデバイスに計算集約され、しばしばエッジ上でオフロードされる。
LiDARの知覚をオフロードするには、生のセンサーデータを圧縮する必要がある。
ロスシー圧縮はLiDAR点雲の品質を劣化させ、その結果知覚性能が低下する。
本研究では,lidar点雲の品質を改善し,圧縮損失による知覚性能の損失を軽減する補間アルゴリズムを提案する。
このアルゴリズムは点雲の範囲画像(ri)表現をターゲットとし、深さ勾配に基づいてriの点を補間する。
既存の画像補間アルゴリズムと比較して,本アルゴリズムは補間riから点雲を再構成した場合の質的結果を示す。
予備結果は、現在の作業の次のステップについても述べる。
関連論文リスト
- Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T16:12:51Z) - 3D Point Cloud Compression with Recurrent Neural Network and Image
Compression Methods [0.0]
多くのAVアプリケーションでは、LiDARポイントクラウドデータの保存と送信が不可欠である。
データの幅と秩序のない構造のため、ポイントクラウドデータを低ボリュームに圧縮することは困難である。
圧縮アルゴリズムが空間相関を効率的に活用できる新しい3D-to-2D変換を提案する。
論文 参考訳（メタデータ） (2024-02-18T19:08:19Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳（メタデータ） (2024-02-07T16:32:29Z) - RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding [21.70770383279559]
ライダーは、自律運転や拡張現実に広く使われている深度測定センサーである。
ライダーが生成する大量のデータは、データストレージと送信のコストが高くなる可能性がある。
RIDDLE (Range Image Deep DeLta) と呼ばれる新しいデータ駆動レンジ画像圧縮アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-02T21:53:43Z) - 4DAC: Learning Attribute Compression for Dynamic Point Clouds [37.447460254690135]
動的点雲の属性(例えば色)圧縮について検討し、4DACと呼ばれる学習ベースのフレームワークを提案する。
データ内の時間的冗長性を低減するため,まず深層ニューラルネットワークを用いた3次元動き推定と動き補償モジュールを構築した。
さらに,変換係数の確率分布を推定する条件付きエントロピーモデルを提案する。
論文 参考訳（メタデータ） (2022-04-25T15:30:06Z) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳（メタデータ） (2022-02-09T18:48:02Z) - DeepCompress: Efficient Point Cloud Geometry Compression [1.808877001896346]
本稿では,ポイントクラウド圧縮のためのより効率的なディープラーニングベースのエンコーダアーキテクチャを提案する。
CENIC(Efficient Neural Image Compression)から学習した活性化関数を組み込むことで,効率と性能が劇的に向上することを示す。
提案手法は,BjontegardデルタレートとPSNR値において,ベースラインアプローチよりも小さなマージンで優れていた。
論文 参考訳（メタデータ） (2021-06-02T23:18:11Z) - R-AGNO-RPN: A LIDAR-Camera Region Deep Network for Resolution-Agnostic
Detection [3.4761212729163313]
3次元点雲とRGB画像を融合した領域提案ネットワークR-AGNO-RPNを提案する。
私たちのアプローチは、低点のクラウド解像度にも適用できるように設計されています。
論文 参考訳（メタデータ） (2020-12-10T15:22:58Z) - MuSCLE: Multi Sweep Compression of LiDAR using Deep Entropy Models [78.93424358827528]
本稿では,LiDARセンサデータのストレージストリームを削減するための新しい圧縮アルゴリズムを提案する。
本手法は,従来のLiDAR圧縮法よりも接合形状と強度を著しく低減する。
論文 参考訳（メタデータ） (2020-11-15T17:41:14Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z) - OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。
本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。
我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
論文 参考訳（メタデータ） (2020-05-14T17:48:49Z)
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。