論文の概要: ParisLuco3D: A high-quality target dataset for domain generalization of
LiDAR perception
- arxiv url: http://arxiv.org/abs/2310.16542v1
- Date: Wed, 25 Oct 2023 10:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 15:13:25.080238
- Title: ParisLuco3D: A high-quality target dataset for domain generalization of
LiDAR perception
- Title(参考訳): ParisLuco3D:LiDAR知覚の領域一般化のための高品質なターゲットデータセット
- Authors: Jules Sanchez, Louis Soum-Fontez, Jean-Emmanuel Deschaud, Francois
Goulette
- Abstract要約: LiDARは、シーンの正確な幾何学的情報を集めることで、自律運転を支援するセンサーシステムである。
様々な知覚タスクの定量的性能が向上するにつれて、ソース・ソース・インセプションからドメイン適応、ドメイン一般化へと焦点が移った。
本論文は、クロスドメイン評価のための新しいデータセットを提供し、様々なソースデータセットの性能評価を容易にする。
- 参考スコア(独自算出の注目度): 4.66313002591741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR is a sensor system that supports autonomous driving by gathering
precise geometric information about the scene. Exploiting this information for
perception is interesting as the amount of available data increases.
As the quantitative performance of various perception tasks has improved, the
focus has shifted from source-to-source perception to domain adaptation and
domain generalization for perception. These new goals require access to a large
variety of domains for evaluation. Unfortunately, the various annotation
strategies of data providers complicate the computation of cross-domain
performance based on the available data
This paper provides a novel dataset, specifically designed for cross-domain
evaluation to make it easier to evaluate the performance of various source
datasets. Alongside the dataset, a flexible online benchmark is provided to
ensure a fair comparison across methods.
- Abstract(参考訳): LiDARは、シーンの正確な幾何学的情報を集め、自律運転を支援するセンサーシステムである。
この情報を知覚に活用することは、利用可能なデータ量が増えるにつれて興味深い。
様々な知覚タスクの定量的性能が向上するにつれて、ソース・ソース・インセプションからドメイン適応、ドメイン一般化へと焦点が移った。
これらの新たな目標は、評価のためにさまざまなドメインへのアクセスを必要とする。
残念ながら、データプロバイダの様々なアノテーション戦略は、利用可能なデータに基づいて、クロスドメインのパフォーマンスの計算を複雑にする。この記事では、さまざまなソースデータセットのパフォーマンスを評価するのを容易にするために、クロスドメイン評価用に特別に設計された新しいデータセットを提供する。
データセットに加えて、メソッド間の公正な比較を保証するために、フレキシブルなオンラインベンチマークが提供される。
関連論文リスト
- UniLiDAR: Bridge the domain gap among different LiDARs for continual
learning [10.10834581581264]
本稿では,異なるLiDARを扱える統一モデルを開発することを目的とする。
幾何的配向とセマンティックラベルマッピングを利用した占有予測パイプラインUniLiDARを提案する。
UniLiDARは、直接マージされたデータセットでトレーニングされたモデルと比較して、占有率予測のmIoUをそれぞれ15.7%、12.5%上昇させる。
論文 参考訳(メタデータ) (2024-03-13T13:23:05Z) - SPOT: Scalable 3D Pre-training via Occupancy Prediction for Autonomous
Driving [84.22159537581742]
職業予測は一般表現の学習に有望であることが示されている。
SPOTは、ポイントクラウド拡張にビーム再サンプリング技術を使用し、クラスバランス戦略を適用している。
論文 参考訳(メタデータ) (2023-09-19T11:13:01Z) - Instant Domain Augmentation for LiDAR Semantic Segmentation [10.250046817380458]
本稿では「LiDomAug」と呼ばれるセマンティックセグメンテーションタスクのための高速で柔軟なLiDAR拡張手法を提案する。
当社のオンデマンド拡張モジュールは330 FPSで動作するので、学習フレームワークのデータローダにシームレスに統合することができます。
論文 参考訳(メタデータ) (2023-03-25T06:59:12Z) - MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based
Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文 参考訳(メタデータ) (2023-03-23T17:59:02Z) - LiDAR-CS Dataset: LiDAR Point Cloud Dataset with Cross-Sensors for 3D
Object Detection [36.77084564823707]
ディープラーニングの手法は注釈付きデータに大きく依存しており、ドメインの一般化の問題に直面することが多い。
LiDAR-CSデータセットは、リアルタイムトラフィックにおける3Dオブジェクト検出の領域におけるセンサ関連ギャップに対処する最初のデータセットである。
論文 参考訳(メタデータ) (2023-01-29T19:10:35Z) - Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。
このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。
nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-06-30T01:44:30Z) - End-To-End Optimization of LiDAR Beam Configuration for 3D Object
Detection and Localization [87.56144220508587]
与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。
ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。
本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
論文 参考訳(メタデータ) (2022-01-11T09:46:31Z) - Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems
for Autonomous Vehicles [16.45799795374353]
確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。
以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
論文 参考訳(メタデータ) (2021-05-02T01:52:18Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳(メタデータ) (2021-04-22T12:47:37Z) - Characterization of Multiple 3D LiDARs for Localization and Mapping
using Normal Distributions Transform [54.46473014276162]
マッピングや車両のローカライゼーションのタスクにおいて,多種多様なメーカー,モデル,レーザー構成を含む10種類の3次元LiDARセンサの詳細な比較を行った。
この研究で使用されるデータは、我々のLiDAR Benchmarking and Reference(LIBRE)データセットのサブセットであり、各センサーから独立して、各日の異なる時間に、公道で何度も運転される車両から取得される。
我々は,(1)平均地図エントロピーに基づく評価マップの品質を含む3次元地図作成作業における各LiDARの性能と特性を解析し,(2)地上の真理参照マップを用いて6-DOFのローカライゼーションを行う。
論文 参考訳(メタデータ) (2020-04-03T05:05:36Z)
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。