論文の概要: UFO: Unidentified Foreground Object Detection in 3D Point Cloud

• arxiv url: http://arxiv.org/abs/2401.03846v1
• Date: Mon, 8 Jan 2024 12:16:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 16:46:27.126678
• Title: UFO: Unidentified Foreground Object Detection in 3D Point Cloud
• Title（参考訳）: UFO:3Dポイント・クラウドでの物体検出
• Authors: Hyunjun Choi, Hawook Jeong, Jin Young Choi
• Abstract要約: 既存の3Dオブジェクト検出器は、3Dローカライゼーションとアウト・オブ・ディストリビューション検出の両方において困難な課題に直面する。 評価プロトコル,方法論,ベンチマークの3つのタスクを含む新しいUFO検出フレームワークを提案する。 提案したフレームワークは、4つのベースライン検出器の全てにまたがる大きなマージンによって、継続的に性能を向上させる。
• 参考スコア（独自算出の注目度）: 7.286344230797102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we raise a new issue on Unidentified Foreground Object (UFO) detection in 3D point clouds, which is a crucial technology in autonomous driving in the wild. UFO detection is challenging in that existing 3D object detectors encounter extremely hard challenges in both 3D localization and Out-of-Distribution (OOD) detection. To tackle these challenges, we suggest a new UFO detection framework including three tasks: evaluation protocol, methodology, and benchmark. The evaluation includes a new approach to measure the performance on our goal, i.e. both localization and OOD detection of UFOs. The methodology includes practical techniques to enhance the performance of our goal. The benchmark is composed of the KITTI Misc benchmark and our additional synthetic benchmark for modeling a more diverse range of UFOs. The proposed framework consistently enhances performance by a large margin across all four baseline detectors: SECOND, PointPillars, PV-RCNN, and PartA2, giving insight for future work on UFO detection in the wild.
• Abstract（参考訳）: 本稿では,未確認のフォアグラウンド物体(ufo)を3dポイントクラウドで検出する新たな課題を提起する。 UFO検出は、既存の3Dオブジェクト検出器が、3Dローカライゼーションとout-of-Distribution(OOD)検出の両方において非常に難しい課題に直面するという点で困難である。 これらの課題に対処するために,評価プロトコル,方法論,ベンチマークの3つのタスクを含む新しいUFO検出フレームワークを提案する。 本評価は,UFOの局所化とOOD検出の両面から,我々の目標に対する性能を測定するための新しいアプローチを含む。 本手法は,目標達成のための実践的手法を含む。 このベンチマークは、KITTI Miscベンチマークと、より多様なUFOをモデリングするための追加の合成ベンチマークで構成されています。 提案したフレームワークは、SECOND、PointPillars、PV-RCNN、PartA2の4つのベースライン検出器の広い範囲で性能を継続的に向上させ、将来におけるUFO検出の知見を提供する。

関連論文リスト

• FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
  本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。 この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
  論文  参考訳（メタデータ） (2024-04-03T17:24:27Z)
• Leveraging Anchor-based LiDAR 3D Object Detection via Point Assisted Sample Selection [40.005411891186874]
  本稿では, 点雲分布を利用したアンカー試料品質測定のための新しいトレーニングサンプル選択法を提案する。 実験により, PASSの適用により, アンカーベースLiDAR3Dオブジェクト検出器の平均精度が向上し, 新たな最先端技術が得られた。
  論文  参考訳（メタデータ） (2024-03-04T12:20:40Z)
• Joint object detection and re-identification for 3D obstacle multi-camera systems [47.87501281561605]
  本研究は,カメラとライダー情報を用いた物体検出ネットワークに新たな改良を加えたものである。 同じ車両内の隣のカメラにまたがって物体を再識別する作業のために、追加のブランチが組み込まれている。 その結果,従来の非最大抑圧(NMS)技術よりも,この手法が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-09T15:16:35Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• Object Semantics Give Us the Depth We Need: Multi-task Approach to Aerial Depth Completion [1.2239546747355885]
  本稿では,2つのタスクをひとつのパスで共同実行するための新しい手法を提案する。 提案手法は,2つのタスクを共同学習機能に公開するエンコーダに着目したマルチタスク学習モデルに基づく。 実験の結果,提案したマルチタスクネットワークはシングルタスクネットワークよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-25T03:21:32Z)
• 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)
• UFO: Unified Feature Optimization [67.77936811483664]
  本稿では、深層モデルの訓練と展開のための新しい統一特徴最適化(UFO)パラダイムを提案する。 UFOは、すべてのタスクに対して大規模な事前訓練を行うことで、各タスクに利益をもたらすことを目指している。 UFOは、大規模な事前訓練の利点を維持しながら、柔軟な展開に優れた利便性を提供する。
  論文  参考訳（メタデータ） (2022-07-21T07:34:06Z)
• Multi-Camera Multiple 3D Object Tracking on the Move for Autonomous Vehicles [17.12321292167318]
  オブジェクトの検出と追跡は、カメラのビューにまたがって一貫した結果を達成するなど、新しい課題に対処するために重要である。 本研究は,既存のトラックレットの位置とリンク検出をトラックレットで予測するために,リンク予測を用いた新たなグローバルアソシエーショングラフモデルを提案する。 本モデルは, nuScenes 検出課題における標準3次元物体検出器の検出精度の向上に有効である。
  論文  参考訳（メタデータ） (2022-04-19T22:50:36Z)
• OW-DETR: Open-world Detection Transformer [90.56239673123804]
  オープンワールドオブジェクト検出のための新しいエンドツーエンドトランスフォーマーベースのフレームワークOW-DETRを提案する。 OW-DETRは3つの専用コンポーネント、すなわち注目駆動の擬似ラベル、新規性分類、オブジェクトネススコアから構成される。 我々のモデルは、最近導入されたOWODアプローチであるOREよりも優れており、リコールの度合いは1.8%から3.3%である。
  論文  参考訳（メタデータ） (2021-12-02T18:58:30Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)

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。