論文の概要: The GOOSE Dataset for Perception in Unstructured Environments

• arxiv url: http://arxiv.org/abs/2310.16788v1
• Date: Wed, 25 Oct 2023 17:20:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 13:20:27.307700
• Title: The GOOSE Dataset for Perception in Unstructured Environments
• Title（参考訳）: 非構造環境における認識のためのGOOSEデータセット
• Authors: Peter Mortimer, Raphael Hagmanns, Miguel Granero, Thorsten Luettel, Janko Petereit, Hans-Joachim Wuensche
• Abstract要約: 本研究では,非構造屋外環境を対象とした包括的データセットを提案する。 GOOSEデータセットには10万のラベル付きイメージとポイントクラウドが含まれており、さまざまな最先端セグメンテーションモデルをトレーニングするために使用される。 このイニシアチブは、既存のデータセットのシームレスなインクルージョンを可能にし、非構造化環境で動作しているさまざまなロボットの知覚能力を高めるための、共通のフレームワークを確立することを目的としている。
• 参考スコア（独自算出の注目度）: 3.0408645115035036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The potential for deploying autonomous systems can be significantly increased by improving the perception and interpretation of the environment. However, the development of deep learning-based techniques for autonomous systems in unstructured outdoor environments poses challenges due to limited data availability for training and testing. To address this gap, we present the German Outdoor and Offroad Dataset (GOOSE), a comprehensive dataset specifically designed for unstructured outdoor environments. The GOOSE dataset incorporates 10 000 labeled pairs of images and point clouds, which are utilized to train a range of state-of-the-art segmentation models on both image and point cloud data. We open source the dataset, along with an ontology for unstructured terrain, as well as dataset standards and guidelines. This initiative aims to establish a common framework, enabling the seamless inclusion of existing datasets and a fast way to enhance the perception capabilities of various robots operating in unstructured environments. The dataset, pre-trained models for offroad perception, and additional documentation can be found at https://goose-dataset.de/.
• Abstract（参考訳）: 自律システムの展開の可能性は、環境の認識と解釈を改善することで著しく向上することができる。 しかしながら、非構造化屋外環境における自律システムのためのディープラーニングベースの技術の開発は、トレーニングとテストのためのデータ可用性の制限による課題を提起する。 このギャップに対処するため、非構造屋外環境向けに設計された包括的なデータセットであるドイツアウトドア・オフロードデータセット(GOOSE)を提示する。 gooseデータセットには10万のラベル付きイメージとポイントクラウドが含まれており、イメージとポイントクラウドデータの両方で最先端のセグメンテーションモデルをトレーニングするために使用される。 データセットと、非構造化地形のオントロジー、およびデータセット標準とガイドラインをオープンソースにしています。 このイニシアチブは、既存のデータセットをシームレスに包含し、非構造環境で動作するさまざまなロボットの認識能力を高めるための高速方法を可能にする、共通のフレームワークを確立することを目的としている。 データセット、オフロード知覚のための事前学習されたモデル、その他のドキュメントはhttps://goose-dataset.de/にある。

関連論文リスト

• Flex: End-to-End Text-Instructed Visual Navigation with Foundation Models [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly-lexically) で合成され,VLM(Vision Language Models) をフリーズしたパッチワイド特徴抽出器として利用するフレームワークである。 本研究では,本手法が4段階のフライ・トゥ・ターゲットタスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• Excavating in the Wild: The GOOSE-Ex Dataset for Semantic Segmentation [0.0]
  本研究では,異なる環境から5000個のラベル付きマルチモーダルフレームを含むGOOSE-Exデータセットをオープンソースとして公開する。 本研究では,異なるプラットフォーム上でのセマンティックセグメンテーション性能と,目に見えない環境におけるセンサモードの総合的な解析を行う。 組み合わせたデータセットが、さまざまなダウンストリームアプリケーションやコンペにどのように使用できるかを実証する。
  論文  参考訳（メタデータ） (2024-09-27T14:36:20Z)
• Dataset Regeneration for Sequential Recommendation [69.93516846106701]
  DR4SRと呼ばれるモデルに依存しないデータセット再生フレームワークを用いて、理想的なトレーニングデータセットを開発するためのデータ中心のパラダイムを提案する。 データ中心のパラダイムの有効性を示すために、我々はフレームワークを様々なモデル中心の手法と統合し、4つの広く採用されているデータセット間で大きなパフォーマンス改善を観察する。
  論文  参考訳（メタデータ） (2024-05-28T03:45:34Z)
• Towards Scenario- and Capability-Driven Dataset Development and Evaluation: An Approach in the Context of Mapless Automated Driving [0.0]
  本稿では,自動走行における環境認識のためのデータセット開発プロセスに焦点を当てる。 本稿では,データセット開発におけるシナリオと能力に基づくアプローチを提案する。 この方法論を、既存のレーン検出データセットの幅広い範囲に適用することにより、現在のデータセットにおける重要な制限を特定します。
  論文  参考訳（メタデータ） (2024-04-30T15:52:49Z)
• Survey on Datasets for Perception in Unstructured Outdoor Environments [0.0]
  フィールドロボティクスにおける共通認識タスクのためのデータセットに焦点を当てる。 この調査は、利用可能な研究データセットを分類し、比較する。 我々は、非構造化屋外環境におけるデータセット間で互換性のあるアノテーションポリシーを選択する際に、もっと考慮すべきであると考えている。
  論文  参考訳（メタデータ） (2024-04-29T14:49:35Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation in Construction Environments [1.4070907500169874]
  本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。 このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
  論文  参考訳（メタデータ） (2023-12-27T10:49:19Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• A Fine-Grained Dataset and its Efficient Semantic Segmentation for Unstructured Driving Scenarios [1.933681537640272]
  非構造環境における自律運転のためのセマンティックセグメンテーションデータセットであるTAS500を紹介する。 TAS500は、微粒の植生と地形クラスを提供し、屋外のシーンで運転可能な表面と自然の障害を効果的に学習します。 本実験は,全体的な予測精度を向上させるための細粒度セマンティクスクラスの利点を実証する。
  論文  参考訳（メタデータ） (2021-03-24T11:30:43Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)

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。