論文の概要: SimMining-3D: Altitude-Aware 3D Object Detection in Complex Mining
Environments: A Novel Dataset and ROS-Based Automatic Annotation Pipeline
- arxiv url: http://arxiv.org/abs/2312.06113v1
- Date: Mon, 11 Dec 2023 04:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:50:36.745776
- Title: SimMining-3D: Altitude-Aware 3D Object Detection in Complex Mining
Environments: A Novel Dataset and ROS-Based Automatic Annotation Pipeline
- Title（参考訳）: Simmining-3D:複雑なマイニング環境における高度対応3Dオブジェクト検出:新しいデータセットとROSに基づく自動アノテーションパイプライン
- Authors: Mehala Balamurali and Ehsan Mihankhah
- Abstract要約: 鉱業環境における3次元物体検出に特化して設計された合成データセットSimMining 3Dを提案する。
このデータセットは、鉱山のベンチ内のさまざまな高さに位置する物体やセンサーを捉え、正確な採掘シナリオを正確に反映している。
本研究では,センサ対オブジェクトの高さ変化と点雲密度を考慮した評価指標を提案し,正確なモデル評価を可能にする。
- 参考スコア（独自算出の注目度）: 0.9790236766474201
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate and efficient object detection is crucial for safe and efficient
operation of earth-moving equipment in mining. Traditional 2D image-based
methods face limitations in dynamic and complex mine environments. To overcome
these challenges, 3D object detection using point cloud data has emerged as a
comprehensive approach. However, training models for mining scenarios is
challenging due to sensor height variations, viewpoint changes, and the need
for diverse annotated datasets. This paper presents novel contributions to
address these challenges. We introduce a synthetic dataset SimMining 3D [1]
specifically designed for 3D object detection in mining environments. The
dataset captures objects and sensors positioned at various heights within mine
benches, accurately reflecting authentic mining scenarios. An automatic
annotation pipeline through ROS interface reduces manual labor and accelerates
dataset creation. We propose evaluation metrics accounting for sensor-to-object
height variations and point cloud density, enabling accurate model assessment
in mining scenarios. Real data tests validate our models effectiveness in
object prediction. Our ablation study emphasizes the importance of altitude and
height variation augmentations in improving accuracy and reliability. The
publicly accessible synthetic dataset [1] serves as a benchmark for supervised
learning and advances object detection techniques in mining with complimentary
pointwise annotations for each scene. In conclusion, our work bridges the gap
between synthetic and real data, addressing the domain shift challenge in 3D
object detection for mining. We envision robust object detection systems
enhancing safety and efficiency in mining and related domains.
- Abstract（参考訳）: 精密で効率的な物体検出は、鉱業における地球移動装置の安全かつ効率的な運用に不可欠である。
従来の2次元画像に基づく手法は、動的および複雑な鉱山環境では限界に直面している。
これらの課題を克服するために、ポイントクラウドデータを用いた3dオブジェクト検出が包括的アプローチとして登場した。
しかし,センサ高さの変動や視点の変化,さまざまな注釈付きデータセットの必要性などにより,鉱業シナリオのトレーニングモデルは困難である。
本稿では,これらの課題に対する新たな貢献について述べる。
鉱業環境における3次元物体検出に特化して設計された合成データセットSimMining 3D [1]を提案する。
データセットは、鉱山のベンチ内のさまざまな高さに位置する物体とセンサーをキャプチャし、本物の鉱業シナリオを正確に反映する。
ROSインターフェースによる自動アノテーションパイプラインは、手作業の削減とデータセット生成の高速化を実現する。
本研究では,センサ対オブジェクトの高さ変化と点雲密度を考慮した評価指標を提案する。
実データテストは、オブジェクト予測におけるモデルの有効性を検証する。
本研究は,高度と高さの変動が精度と信頼性を向上させる上で重要であることを強調する。
公開アクセス可能な合成データセット[1]は、教師あり学習のためのベンチマークとして機能し、各シーンに対する補足的なポイントワイズアノテーションによるマイニングにおけるオブジェクト検出技術を進歩させる。
結論として,我々の研究は,合成データと実データとの間のギャップを橋渡し,マイニングのための3次元物体検出における領域シフト問題に対処している。
我々は,鉱業及び関連領域の安全性と効率を高める頑健な物体検出システムを提案する。
関連論文リスト
- STONE: A Submodular Optimization Framework for Active 3D Object Detection [20.54906045954377]
正確な3Dオブジェクト検出器をトレーニングするための鍵となる要件は、大量のLiDARベースのポイントクラウドデータが利用できることである。
本稿では,3次元物体検出装置のトレーニングにおけるラベル付けコストを大幅に削減する,統合されたアクティブな3次元物体検出フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-04T20:45:33Z) - Hardness-Aware Scene Synthesis for Semi-Supervised 3D Object Detection [59.33188668341604]
3次元物体検出は、自律運転知覚の基本的なタスクとして機能する。
ポイントクラウドデータのための高品質なアノテーションを得るためには、コストがかかる。
本稿では,適応型合成シーンを生成するために,ハードネス対応シーン合成(HASS)手法を提案する。
論文 参考訳（メタデータ） (2024-05-27T17:59:23Z) - Label-Efficient 3D Object Detection For Road-Side Units [10.663986706501188]
協調的知覚は、インテリジェント・ロードサイド・ユニット(RSU)との深部情報融合による自動運転車の知覚を高める
これらの手法は、特に注釈付きRSUデータを必要とするため、実際のデプロイメントにおいて大きなハードルを生んでいる。
教師なしオブジェクト発見に基づくRSUのためのラベル効率の高いオブジェクト検出手法を考案する。
論文 参考訳（メタデータ） (2024-04-09T12:29:16Z) - Multi-Modal Dataset Acquisition for Photometrically Challenging Object [56.30027922063559]
本稿では,3次元視覚タスクにおける現在のデータセットの限界について,精度,サイズ,リアリズム,および光度に挑戦する対象に対する適切な画像モダリティの観点から検討する。
既存の3次元認識と6次元オブジェクトポーズデータセットを強化する新しいアノテーションと取得パイプラインを提案する。
論文 参考訳（メタデータ） (2023-08-21T10:38:32Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - Towards Multimodal Multitask Scene Understanding Models for Indoor
Mobile Agents [49.904531485843464]
本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。
MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。
MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。
MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
論文 参考訳（メタデータ） (2022-09-27T04:49:19Z) - 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) - Neural-Sim: Learning to Generate Training Data with NeRF [31.81496344354997]
本稿では,ニューラルレージアンスフィールド(NeRF)を対象アプリケーションの損失関数を持つ閉ループに使用した,最初の完全微分可能な合成データパイプラインを提案する。
提案手法は,人的負担を伴わないオンデマンドでデータを生成し,目標タスクの精度を最大化する。
論文 参考訳（メタデータ） (2022-07-22T22:48:33Z) - Ground material classification and for UAV-based photogrammetric 3D data
A 2D-3D Hybrid Approach [1.3359609092684614]
近年,物理環境を表す3次元仮想データを作成するために,多くの領域でフォトグラム法が広く用いられている。
これらの最先端技術は、迅速な3D戦場再建、仮想訓練、シミュレーションを目的として、アメリカ陸軍と海軍の注意を引き付けている。
論文 参考訳（メタデータ） (2021-09-24T22:29:26Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳（メタデータ） (2020-08-31T17:10:48Z)
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。