論文の概要: ParisLuco3D: A high-quality target dataset for domain generalization of
LiDAR perception
- arxiv url: http://arxiv.org/abs/2310.16542v2
- Date: Mon, 1 Jan 2024 18:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 01:25:33.238324
- 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: 本稿では,クロスドメイン評価に特化して設計された新しいデータセットParisLuco3Dを提案する。
公正な比較を確保するため、LiDARセマンティックセグメンテーション、LiDARオブジェクト検出、LiDAR追跡のためのオンラインベンチマークが提供される。
- 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 an essential sensor for autonomous driving by collecting precise
geometric information regarding a scene. As the performance of various LiDAR
perception tasks has improved, generalizations to new environments and sensors
has emerged to test these optimized models in real-world conditions.
Unfortunately, the various annotation strategies of data providers complicate
the computation of cross-domain performances.
This paper provides a novel dataset, ParisLuco3D, specifically designed for
cross-domain evaluation to make it easier to evaluate the performance utilizing
various source datasets. Alongside the dataset, online benchmarks for LiDAR
semantic segmentation, LiDAR object detection, and LiDAR tracking are provided
to ensure a fair comparison across methods.
The ParisLuco3D dataset, evaluation scripts, and links to benchmarks can be
found at the following website: https://npm3d.fr/parisluco3d
- Abstract(参考訳): LiDARは、シーンに関する正確な幾何学的情報を収集することによって、自動運転に不可欠なセンサーである。
様々なLiDAR認識タスクの性能が向上するにつれて、これらの最適化されたモデルを実環境下でテストするために、新しい環境やセンサーへの一般化が出現している。
残念ながら、データプロバイダのさまざまなアノテーション戦略は、クロスドメインパフォーマンスの計算を複雑にします。
本稿では,様々なソースデータセットを用いた性能評価を容易にするために,クロスドメイン評価に特化した新しいデータセットであるparisluco3dを提案する。
データセットに加えて、LiDARセマンティックセグメンテーション、LiDARオブジェクト検出、LiDARトラッキングのためのオンラインベンチマークも提供され、メソッド間の公正な比較が保証される。
ParisLuco3Dデータセット、評価スクリプト、ベンチマークへのリンクは以下のウェブサイトで見ることができる。
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。