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
- STARFlow: Spatial Temporal Feature Re-embedding with Attentive Learning
for Real-world Scene Flow [6.155589434533128]
両ユークリッド空間における全点対に一致する大域的注意流埋め込みを提案する。
我々は、新しいドメイン適応損失を利用して、合成から実世界への動き推論のギャップを埋める。
提案手法は,実世界のLiDARスキャンデータセットにおいて特に顕著な結果を得て,各種データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2024-03-11T04:56:10Z) - Spatial-Temporal Enhanced Transformer Towards Multi-Frame 3D Object
Detection [59.03596380773798]
我々は、DETRのようなパラダイムに基づいた、多フレーム3Dオブジェクト検出のための新しいエンドツーエンドフレームワークであるSTEMDを提案する。
具体的には、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
我々は,計算オーバーヘッドをわずかに加えるだけで,難解なシナリオに対処する手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-01T13:53:14Z) - Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast
Contrastive Fusion [110.84357383258818]
本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。
このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。
我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
論文 参考訳(メタデータ) (2023-06-07T17:57:45Z) - Spatiotemporal k-means [63.230991774875044]
時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。
データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。
STKMは,特に低データ領域において,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-10T04:40:31Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - 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) - Sparse Cross-scale Attention Network for Efficient LiDAR Panoptic
Segmentation [12.61753274984776]
マルチスケールのスパース機能とグローバルなボクセル符号化されたアテンションを整合させて、インスタンスコンテキストの長距離関係をキャプチャする、新しいスパース・クロススケールアテンション・ネットワークであるSCANを提案する。
表面凝集点に対して、SCANは、整列した特徴の空間性を維持するだけでなく、スパース畳み込みによってネットワークの量を減少させる、新しいスパースクラス非依存のインスタンスセントロイド表現を採用する。
論文 参考訳(メタデータ) (2022-01-16T05:34:54Z) - CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds [2.891413712995641]
CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。
CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
論文 参考訳(メタデータ) (2021-11-02T16:44:06Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳(メタデータ) (2021-04-16T21:35:08Z) - Learning to Track with Object Permanence [61.36492084090744]
共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。
私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
論文 参考訳(メタデータ) (2021-03-26T04:43:04Z)
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。