論文の概要: TimePillars: Temporally-Recurrent 3D LiDAR Object Detection
- arxiv url: http://arxiv.org/abs/2312.17260v1
- Date: Fri, 22 Dec 2023 10:25:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 12:50:03.900577
- Title: TimePillars: Temporally-Recurrent 3D LiDAR Object Detection
- Title(参考訳): TimePillars: テンポラリリカレントな3D LiDARオブジェクト検出
- Authors: Ernesto Lozano Calvo, Bernardo Taveira, Fredrik Kahl, Niklas
Gustafsson, Jonathan Larsson, Adam Tonderski
- Abstract要約: TimePillarsは時間的にリカレントなオブジェクト検出パイプラインである。
時間にわたってLiDARデータの柱表現を利用する。
基礎的なビルディングブロックがいかに堅牢で効率的な結果を得るのに十分なかを示す。
- 参考スコア(独自算出の注目度): 8.955064958311517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection applied to LiDAR point clouds is a relevant task in
robotics, and particularly in autonomous driving. Single frame methods,
predominant in the field, exploit information from individual sensor scans.
Recent approaches achieve good performance, at relatively low inference time.
Nevertheless, given the inherent high sparsity of LiDAR data, these methods
struggle in long-range detection (e.g. 200m) which we deem to be critical in
achieving safe automation. Aggregating multiple scans not only leads to a
denser point cloud representation, but it also brings time-awareness to the
system, and provides information about how the environment is changing.
Solutions of this kind, however, are often highly problem-specific, demand
careful data processing, and tend not to fulfil runtime requirements. In this
context we propose TimePillars, a temporally-recurrent object detection
pipeline which leverages the pillar representation of LiDAR data across time,
respecting hardware integration efficiency constraints, and exploiting the
diversity and long-range information of the novel Zenseact Open Dataset (ZOD).
Through experimentation, we prove the benefits of having recurrency, and show
how basic building blocks are enough to achieve robust and efficient results.
- Abstract(参考訳): LiDARポイントクラウドに適用される物体検出は、ロボット工学、特に自律運転において重要なタスクである。
フィールドで主に使用される単一のフレームメソッドは、個々のセンサースキャンから情報を活用する。
最近の手法は比較的低い推論時間で優れた性能を達成する。
しかし、LiDARデータに固有の疎度を考えると、これらの手法は、安全な自動化を実現する上で欠かせない長距離検出(例えば200m)に苦慮している。
複数のスキャンを集約することは、より密度の高いクラウド表現につながるだけでなく、システムにタイムアウェアネスをもたらし、環境の変化に関する情報を提供する。
しかし、この種のソリューションは、しばしば非常に問題固有のものであり、慎重にデータ処理を必要とし、実行時要求を満たさない傾向があります。
この文脈では,lidarデータのピラー表現を時間にわたって活用し,ハードウェア統合効率の制約を尊重し,新たなzenseact open dataset (zod) の多様性と長距離情報を活用する時間的リカレントオブジェクト検出パイプラインであるtimepillarsを提案する。
実験を通じて、繰り返しの利点を証明し、基礎的なビルディングブロックがいかに堅牢で効率的な結果が得られるかを示す。
関連論文リスト
- StreamLTS: Query-based Temporal-Spatial LiDAR Fusion for Cooperative Object Detection [0.552480439325792]
我々は、広く使われているデータセットOPV2VとDairV2Xを適応させる、TA-COOD(Time-Aligned Cooperative Object Detection)を提案する。
実験結果から, 最先端の高密度モデルと比較して, 完全スパースフレームワークの優れた効率性が確認された。
論文 参考訳(メタデータ) (2024-07-04T10:56:10Z) - 3D Object Detection and High-Resolution Traffic Parameters Extraction
Using Low-Resolution LiDAR Data [14.142956899468922]
本研究では,複数のLiDARシステムの必要性を緩和し,無駄な3Dアノテーションプロセスを簡単にする,革新的なフレームワークを提案する。
2次元境界箱検出と抽出された高さ情報を用いて,人間の介入なしに3次元境界箱を自動的に生成することができる。
論文 参考訳(メタデータ) (2024-01-13T01:22:20Z) - PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。
私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。
大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
論文 参考訳(メタデータ) (2023-12-13T18:59:13Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - SUIT: Learning Significance-guided Information for 3D Temporal Detection [15.237488449422008]
フレーム間の情報融合のためのスパース機能として時間的情報を単純化するSUIT(Significance-gUided Information for 3D Temporal Detection)を学習する。
大規模なnuScenesとデータセットにおいて、SUITは時間融合のメモリとコストを大幅に削減するだけでなく、最先端のベースラインよりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2023-07-04T16:22:10Z) - Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for
Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。
具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。
この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文 参考訳(メタデータ) (2023-02-08T07:11:36Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳(メタデータ) (2022-05-30T09:35:37Z) - 3D-FCT: Simultaneous 3D Object Detection and Tracking Using Feature
Correlation [0.0]
3D-FCTは、時間情報を利用して3Dオブジェクトの検出と追跡の関連タスクを同時に実行するシームズネットワークアーキテクチャである。
提案手法は,最先端手法よりも5.57%mAPの改善が期待できるKITTI追跡データセットを用いて評価した。
論文 参考訳(メタデータ) (2021-10-06T06:36:29Z) - StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。
現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。
本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
論文 参考訳(メタデータ) (2020-11-12T14:57:44Z) - Streaming Object Detection for 3-D Point Clouds [29.465873948076766]
LiDARは、多くの既存の知覚システムに通知する顕著な感覚モダリティを提供する。
ポイントクラウドデータに基づく知覚システムのレイテンシは、完全なローテーションスキャンの時間量によって支配される。
我々は、LiDARデータをそのネイティブストリーミング定式化で操作することで、自動運転オブジェクト検出にいくつかの利点があることを示す。
論文 参考訳(メタデータ) (2020-05-04T21:55:15Z)
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。