Fugu-MT 論文翻訳(概要): Deep learning for 3D Object Detection and Tracking in Autonomous Driving: A Brief Survey

論文の概要: Deep learning for 3D Object Detection and Tracking in Autonomous Driving: A Brief Survey

arxiv url: http://arxiv.org/abs/2311.06043v1
Date: Fri, 10 Nov 2023 13:03:37 GMT
ステータス: 処理完了
システム内更新日: 2023-11-13 15:03:06.052006
Title: Deep learning for 3D Object Detection and Tracking in Autonomous Driving: A Brief Survey
Title（参考訳）: 自律走行における3次元物体検出・追跡のための深層学習:簡単な調査
Authors: Yang Peng
Abstract要約: 3Dポイントのクラウド学習は、他のあらゆるタイプの自動運転データの中で、ますます注目を集めている。本稿では,3次元物体検出・追跡のためのディープラーニング手法の最近の進歩を示す。
参考スコア（独自算出の注目度）: 3.224562109592693
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Object detection and tracking are vital and fundamental tasks for autonomous driving, aiming at identifying and locating objects from those predefined categories in a scene. 3D point cloud learning has been attracting more and more attention among all other forms of self-driving data. Currently, there are many deep learning methods for 3D object detection. However, the tasks of object detection and tracking for point clouds still need intensive study due to the unique characteristics of point cloud data. To help get a good grasp of the present situation of this research, this paper shows recent advances in deep learning methods for 3D object detection and tracking.
Abstract（参考訳）: オブジェクトの検出と追跡は、シーン内で事前に定義されたカテゴリからオブジェクトを特定し、配置することを目的として、自律運転にとって不可欠で基本的なタスクである。 3d point cloud learningは、他のあらゆる自動運転データにますます注目を集めている。現在,3次元物体検出のための深層学習法が多数存在する。しかしながら、ポイントクラウドデータのユニークな特徴から、オブジェクト検出とポイントクラウド追跡のタスクは依然として集中的な研究が必要である。本研究では,3次元物体検出・追跡のための深層学習手法の最近の進歩について述べる。

関連論文リスト

DetZero: Rethinking Offboard 3D Object Detection with Long-term Sequential Point Clouds [55.755450273390004]
既存のオフボード3D検出器は、無限の逐次点雲を利用するために常にモジュラーパイプライン設計に従っている。その結果, 物体の運動状態は, 物体中心の精製段階において必然的な課題となること, 物体の運動状態は, 物体軌道を十分に生成できないこと, 物体中心の精製段階において必然的な課題となること, の2つの理由から, オフボード型3D検出器の完全なポテンシャルは明らかにされていないことがわかった。これらの問題に対処するために,DetZero という,オフボード型3次元物体検出の新たなパラダイムを提案する。
論文参考訳（メタデータ） (2023-06-09T16:42:00Z)
Surface-biased Multi-Level Context 3D Object Detection [1.9723551683930771]
本研究は,高効率表面偏光特性抽出法(wang2022rbgnet)を用いて3次元点雲中の物体検出タスクに対処する。本稿では,オブジェクト候補の正確な特徴表現を抽出し,点パッチやオブジェクト候補,グローバルシーンにおける自己注意を活用する3Dオブジェクト検出手法を提案する。
論文参考訳（メタデータ） (2023-02-13T11:50:04Z)
AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文参考訳（メタデータ） (2022-08-24T16:54:38Z)
3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文参考訳（メタデータ） (2022-06-19T19:43:11Z)
3D Object Detection for Autonomous Driving: A Survey [14.772968858398043]
3次元物体検出は、そのような知覚システムの中核となる基礎となる。既存の努力にもかかわらず、ポイントクラウド上の3Dオブジェクト検出はまだ初期段階にある。近年, プロスとコンスを用いた最先端検出法が提案されている。
論文参考訳（メタデータ） (2021-06-21T03:17:20Z)
PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文参考訳（メタデータ） (2021-06-03T05:36:39Z)
Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文参考訳（メタデータ） (2021-04-23T17:59:28Z)
Deep Learning for 3D Point Cloud Understanding: A Survey [16.35767262996978]
自律運転やロボティクスといった実用アプリケーションの開発は、3Dポイントのクラウド理解に注意を向けている。ディープラーニングは、画像ベースのタスクにおいて顕著な成功を収めていますが、大規模で非構造的でノイズの多い3Dポイントを処理する際に、ディープニューラルネットワークが直面する多くのユニークな課題があります。本稿では,この領域における最近の顕著な研究成果を,いくつかの方向から要約する。
論文参考訳（メタデータ） (2020-09-18T16:34:12Z)
3D Point Cloud Processing and Learning for Autonomous Driving [26.285659927609213]
本稿では,自動運転のための3Dポイントクラウド処理と学習についてレビューする。 LiDARセンサーは、オブジェクトやシーンの外面を正確に記録する3Dポイントの雲を収集する。
論文参考訳（メタデータ） (2020-03-01T22:13:46Z)
Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。また、いくつかの公開データセットで比較結果を提示する。
論文参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。