論文の概要: GACE: Geometry Aware Confidence Enhancement for Black-Box 3D Object
Detectors on LiDAR-Data
- arxiv url: http://arxiv.org/abs/2310.20319v1
- Date: Tue, 31 Oct 2023 09:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 15:45:30.904813
- Title: GACE: Geometry Aware Confidence Enhancement for Black-Box 3D Object
Detectors on LiDAR-Data
- Title(参考訳): gace:lidarデータ上のブラックボックス3d物体検出器に対する幾何学的安心度向上
- Authors: David Schinagl, Georg Krispel, Christian Fruhwirth-Reisinger, Horst
Possegger, Horst Bischof
- Abstract要約: LiDARベースの3Dオブジェクト検出器は、信頼度推定において、オブジェクトの提案から容易に利用できる基本的な幾何学的情報を無視することが多い。
しかし、3Dでは、対象特性とその周辺を全体論的に考慮し、真と偽の正の検出を区別することが重要である。
我々は,所定のブラックボックス3Dオブジェクト検出器の信頼性評価を改善するための,直感的かつ高効率なGACEを提案する。
- 参考スコア(独自算出の注目度): 13.426810473131642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Widely-used LiDAR-based 3D object detectors often neglect fundamental
geometric information readily available from the object proposals in their
confidence estimation. This is mostly due to architectural design choices,
which were often adopted from the 2D image domain, where geometric context is
rarely available. In 3D, however, considering the object properties and its
surroundings in a holistic way is important to distinguish between true and
false positive detections, e.g. occluded pedestrians in a group. To address
this, we present GACE, an intuitive and highly efficient method to improve the
confidence estimation of a given black-box 3D object detector. We aggregate
geometric cues of detections and their spatial relationships, which enables us
to properly assess their plausibility and consequently, improve the confidence
estimation. This leads to consistent performance gains over a variety of
state-of-the-art detectors. Across all evaluated detectors, GACE proves to be
especially beneficial for the vulnerable road user classes, i.e. pedestrians
and cyclists.
- Abstract(参考訳): 広く使われているLiDARベースの3Dオブジェクト検出器は、信頼度推定において、オブジェクトの提案から容易に利用できる基本的な幾何学的情報を無視することが多い。
これは主に、幾何学的文脈がほとんど利用できない2次元画像領域からしばしば採用されるアーキテクチャ設計の選択によるものである。
しかし, 3Dでは, 対象物の性質や周囲を包括的に考慮し, グループ内の歩行者など, 正と偽の正の検知を区別することが重要である。
そこで本研究では,所定のブラックボックス3Dオブジェクト検出器の信頼性評価を改善するための,直感的かつ高効率なGACEを提案する。
我々は,検出の幾何学的手がかりとその空間的関係を集約し,その妥当性を適切に評価し,信頼度推定精度を向上させる。
これにより、様々な最先端検出器に対して一貫した性能が向上する。
評価された全ての検出器において、gaceは脆弱な道路利用者クラス、すなわち歩行者やサイクリストにとって特に有益であることが証明されている。
関連論文リスト
- Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and
Outlook [20.380856953006592]
本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。
本研究は,カメラベース,LiDAR,マルチモーダル3Dオブジェクト検出アルゴリズムを広範囲に調査し,精度,レイテンシ,堅牢性のトレードオフを徹底的に評価する。
これらのうち、マルチモーダル3D検出手法は、優れた堅牢性を示し、新しい分類法を導入して、その文献を再編成し、明確性を高める。
論文 参考訳(メタデータ) (2024-01-12T12:35:45Z) - SOGDet: Semantic-Occupancy Guided Multi-view 3D Object Detection [19.75965521357068]
本稿では,SOGDet(Semantic-Occupancy Guided Multi-view Object Detection)と呼ばれる新しい手法を提案する。
以上の結果から,SOGDet は nuScenes Detection Score (NDS) と平均平均精度 (mAP) の3つのベースライン法の性能を一貫して向上させることがわかった。
これは、3Dオブジェクト検出と3Dセマンティック占有の組み合わせが、3D環境をより包括的に認識し、より堅牢な自律運転システムの構築を支援することを示唆している。
論文 参考訳(メタデータ) (2023-08-26T07:38:21Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳(メタデータ) (2022-04-02T03:48:03Z) - Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。
双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。
本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
論文 参考訳(メタデータ) (2021-07-29T16:30:33Z) - Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D
Object Detection [83.57300674285133]
射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。
具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。
本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-07-29T12:30:39Z) - Geometry-aware data augmentation for monocular 3D object detection [18.67567745336633]
本稿では,自動運転システムにおける必須モジュールの一つであるモノキュラー3次元物体検出について述べる。
重要な課題は、深さ回復問題は単眼データに不備があることです。
我々は,既存の手法が,異なる幾何学的シフトが発生した場合の深さをロバストに推定できないことを明らかにするために,詳細な解析を行う。
上記の操作を,対応する4つの3D対応データ拡張手法に変換する。
論文 参考訳(メタデータ) (2021-04-12T23:12:48Z) - Deep Continuous Fusion for Multi-Sensor 3D Object Detection [103.5060007382646]
本稿では,LIDARとカメラを併用して高精度な位置検出を実現する3Dオブジェクト検出器を提案する。
我々は,連続畳み込みを利用して画像とlidar特徴マップを異なるレベルの解像度で融合する,エンドツーエンド学習可能なアーキテクチャを設計した。
論文 参考訳(メタデータ) (2020-12-20T18:43:41Z) - BirdNet+: End-to-End 3D Object Detection in LiDAR Bird's Eye View [117.44028458220427]
自動運転車のオンボード3Dオブジェクト検出は、LiDARデバイスが捉えた幾何学情報に依存することが多い。
本稿では,BEV画像のみから指向性3Dボックスを推測可能な,エンドツーエンドの3Dオブジェクト検出フレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-09T15:08:40Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳(メタデータ) (2019-12-26T08:48:04Z)
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。