論文の概要: Low Latency Instance Segmentation by Continuous Clustering for Rotating
LiDAR Sensors
- arxiv url: http://arxiv.org/abs/2311.13976v1
- Date: Thu, 23 Nov 2023 12:42:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 23:42:02.325040
- Title: Low Latency Instance Segmentation by Continuous Clustering for Rotating
LiDAR Sensors
- Title（参考訳）: 回転LiDARセンサの連続クラスタリングによる低レイテンシインスタンス分割
- Authors: Andreas Reich and Hans-Joachim Wuensche
- Abstract要約: LiDARポイントクラウドの低レイテンシインスタンスセグメンテーションは、現実世界のアプリケーションでは不可欠である。
我々は、インスタンス分割された点雲を得るために障害点を連続的にクラスタリングする。
スキャン開始点と終了点の間に問題のある不連続性は見られなかった。
- 参考スコア（独自算出の注目度）: 4.73194777046253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-latency instance segmentation of LiDAR point clouds is crucial in
real-world applications because it serves as an initial and frequently-used
building block in a robot's perception pipeline, where every task adds further
delay. Particularly in dynamic environments, this total delay can result in
significant positional offsets of dynamic objects, as seen in highway
scenarios. To address this issue, we employ continuous clustering of obstacle
points in order to obtain an instance-segmented point cloud. Unlike most
existing approaches, which use a full revolution of the LiDAR sensor, we
process the data stream in a continuous and seamless fashion. More
specifically, each column of a range image is processed as soon it is
available. Obstacle points are clustered to existing instances in real-time and
it is checked at a high-frequency which instances are completed and are ready
to be published. An additional advantage is that no problematic discontinuities
between the points of the start and the end of a scan are observed. In this
work we describe the two-layered data structure and the corresponding algorithm
for continuous clustering, which is able to cluster the incoming data in real
time. We explain the importance of a large perceptive field of view.
Furthermore, we describe and evaluate important architectural design choices,
which could be relevant to design an architecture for deep learning based
low-latency instance segmentation. We are publishing the source code at
https://github.com/UniBwTAS/continuous_clustering.
- Abstract（参考訳）: LiDARポイントクラウドの低レイテンシインスタンスセグメンテーションは、ロボットの知覚パイプラインにおいて初期的で頻繁に使用されるビルディングブロックとして機能するため、現実世界のアプリケーションでは不可欠である。
特に動的環境において、この全遅延は、高速道路のシナリオに見られるように、動的物体のかなりの位置オフセットをもたらす。
この問題に対処するため,我々は,インスタンス単位のポイントクラウドを得るために,障害点の連続的クラスタリングを用いる。
LiDARセンサーの完全な革命を利用する既存のアプローチとは異なり、データストリームを連続的かつシームレスに処理します。
より具体的には、レンジイメージの各カラムはすぐに処理される。
障害ポイントは、既存のインスタンスにリアルタイムでクラスタ化され、インスタンスが完了して公開準備が整った高周波でチェックされる。
もう1つの利点は、スキャンの開始点と終了点の間の問題のある不連続が観察されないことである。
本稿では,入力データをリアルタイムにクラスタ化可能な2層データ構造と,それに対応する連続クラスタリングアルゴリズムについて述べる。
我々は、大きな知覚的視野の重要性を説明します。
さらに,ディープラーニングに基づく低レイテンシインスタンスセグメンテーションのためのアーキテクチャの設計に関係のある重要なアーキテクチャ設計選択について記述し,評価する。
ソースコードはhttps://github.com/UniBwTAS/continuous_clustering.comで公開しています。
関連論文リスト
- Let-It-Flow: Simultaneous Optimization of 3D Flow and Object Clustering [2.763111962660262]
実大規模原点雲列からの自己監督型3次元シーンフロー推定の問題点について検討する。
重なり合うソフトクラスタと非重なり合う固いクラスタを組み合わせられる新しいクラスタリング手法を提案する。
本手法は,複数の独立移動物体が互いに近接する複雑な動的シーンにおける流れの解消に優れる。
論文 参考訳（メタデータ） (2024-04-12T10:04:03Z) - Learning Continuous Implicit Field with Local Distance Indicator for
Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。
従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。
そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文 参考訳（メタデータ） (2023-12-23T01:52:14Z) - Timely Asynchronous Hierarchical Federated Learning: Age of Convergence [59.96266198512243]
クライアント-エッジ-クラウドフレームワークを用いた非同期階層型フェデレーション学習環境について検討する。
クライアントはトレーニングされたパラメータをエッジサーバと交換し、ローカルに集約されたモデルを更新する。
各クライアントの目標は、クライアントのタイムラインを維持しながら、グローバルモデルに収束することだ。
論文 参考訳（メタデータ） (2023-06-21T17:39:16Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Latent Space Unsupervised Semantic Segmentation [0.0]
従来の変更点検出アルゴリズムには欠点があり、現実の応用性が制限されている。
本研究は,Latent Space Unsupervised (LS-USS) という新しい非教師付き多次元時系列を提案する。
LS-USSは、オフラインとリアルタイムの両方で、同等またはより良いパフォーマンスをシステマティックに達成する。
論文 参考訳（メタデータ） (2022-07-22T13:11:42Z) - eCDT: Event Clustering for Simultaneous Feature Detection and Tracking- [4.094848360328624]
イベントクラスタリングに基づく検出追跡(eCDT)
提案手法は,最先端手法と比較して,特徴追跡年齢が30%向上した。
論文 参考訳（メタデータ） (2022-07-19T07:39:04Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2021-04-06T10:32:03Z) - Gradient Coding with Dynamic Clustering for Straggler-Tolerant
Distributed Learning [55.052517095437]
勾配降下(GD)は、複数の労働者にデータセットを分散することで学習タスクの並列化に広く用いられている。
分散同期gdにおけるイテレーション完了時間ごとの重要なパフォーマンスボトルネックは$straggling$ workersである。
コード化された分散技術は、最近ストラグラーを緩和し、労働者に冗長な計算を割り当てることでgdイテレーションを高速化するために導入された。
本稿では,従来のトラグリング動作に依存する可能性のあるコードの中から,冗長なデータを労働者に割り当てて選択する動的GC方式を提案する。
論文 参考訳（メタデータ） (2021-03-01T18:51:29Z) - (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time
Warping [57.316437798033974]
本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。
我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。
一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
論文 参考訳（メタデータ） (2020-12-01T13:17:27Z) - Spectral Clustering with Smooth Tiny Clusters [14.483043753721256]
本稿では,データのスムーズさを初めて考慮した新しいクラスタリングアルゴリズムを提案する。
私たちのキーとなるアイデアは、スムーズなグラフを構成する小さなクラスタをクラスタ化することです。
本稿では,マルチスケールな状況に着目するが,データのスムーズさの考え方はどのクラスタリングアルゴリズムにも確実に拡張できる。
論文 参考訳（メタデータ） (2020-09-10T05:21:20Z) - A Novel Incremental Clustering Technique with Concept Drift Detection [2.790947019327459]
従来の静的クラスタリングアルゴリズムは動的データセットには適していない。
UIClustと呼ばれる効率的なインクリメンタルクラスタリングアルゴリズムを提案する。
我々は、UIClustの性能を、最近発表された高品質なインクリメンタルクラスタリングアルゴリズムと比較することで評価する。
論文 参考訳（メタデータ） (2020-03-30T05:20:35Z)
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。