論文の概要: 3D Object Detection and High-Resolution Traffic Parameters Extraction Using Low-Resolution LiDAR Data

• arxiv url: http://arxiv.org/abs/2401.06946v1
• Date: Sat, 13 Jan 2024 01:22:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 20:45:57.812642
• Title: 3D Object Detection and High-Resolution Traffic Parameters Extraction Using Low-Resolution LiDAR Data
• Title（参考訳）: 低分解LiDARデータを用いた3次元物体検出と高分解能トラフィックパラメータ抽出
• Authors: Linlin Zhang, Xiang Yu, Armstrong Aboah, Yaw Adu-Gyamfi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.142956899468922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic volume data collection is a crucial aspect of transportation engineering and urban planning, as it provides vital insights into traffic patterns, congestion, and infrastructure efficiency. Traditional manual methods of traffic data collection are both time-consuming and costly. However, the emergence of modern technologies, particularly Light Detection and Ranging (LiDAR), has revolutionized the process by enabling efficient and accurate data collection. Despite the benefits of using LiDAR for traffic data collection, previous studies have identified two major limitations that have impeded its widespread adoption. These are the need for multiple LiDAR systems to obtain complete point cloud information of objects of interest, as well as the labor-intensive process of annotating 3D bounding boxes for object detection tasks. In response to these challenges, the current study proposes an innovative framework that alleviates the need for multiple LiDAR systems and simplifies the laborious 3D annotation process. To achieve this goal, the study employed a single LiDAR system, that aims at reducing the data acquisition cost and addressed its accompanying limitation of missing point cloud information by developing a Point Cloud Completion (PCC) framework to fill in missing point cloud information using point density. Furthermore, we also used zero-shot learning techniques to detect vehicles and pedestrians, as well as proposed a unique framework for extracting low to high features from the object of interest, such as height, acceleration, and speed. Using the 2D bounding box detection and extracted height information, this study is able to generate 3D bounding boxes automatically without human intervention.
• Abstract（参考訳）: 交通量データ収集は交通工学と都市計画において重要な側面であり、交通パターン、渋滞、インフラの効率に関する重要な洞察を提供する。 従来の手動のトラフィックデータ収集手法は、時間とコストの両方がかかる。 しかし、現代の技術の出現、特に光検出・追跡(LiDAR)は、効率的かつ正確なデータ収集を可能にして、プロセスに革命をもたらした。 トラフィックデータ収集にLiDARを使用することの利点にもかかわらず、以前の研究では、その普及を妨げる2つの大きな制限が特定されている。 対象物の全点クラウド情報を取得するために複数のLiDARシステムが必要であり、オブジェクト検出タスクに3Dバウンディングボックスをアノテートする作業が集中的に行われる。 これらの課題に対応するため、本研究では、複数のLiDARシステムの必要性を軽減し、3Dアノテーションプロセスを簡素化する革新的なフレームワークを提案する。 この目的を達成するために,データ取得コストの削減を目的とした単一のLiDARシステムを採用し,点密度を用いて点クラウド情報を埋める点クラウドコンプリート(PCC)フレームワークを開発することにより,欠落点クラウド情報の制限に対処した。 さらに,ゼロショット学習による車両や歩行者の検出や,高さや加速度,速度といった対象物から低～高機能な特徴を抽出するためのユニークな枠組みを提案した。 2次元境界箱検出と抽出された高さ情報を用いて,人間の介入なしに自動的に3次元境界箱を生成することができる。

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)
• Sparse-to-Dense LiDAR Point Generation by LiDAR-Camera Fusion for 3D Object Detection [9.076003184833557]
  2D画像特徴を融合させてLiDARポイントクラウドデータを再構成する新しいフレームワークであるLiDAR-Camera Augmentation Network (LCANet)を提案する。 LCANetは、画像特徴を3D空間に投影し、意味情報をポイントクラウドデータに統合することで、LiDARセンサーからのデータを融合する。 この融合は、しばしばスパースポイントで表される長距離物体の検出におけるLiDARの弱点を効果的に補う。
  論文  参考訳（メタデータ） (2024-09-23T13:03:31Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• 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)
• TimePillars: Temporally-Recurrent 3D LiDAR Object Detection [8.955064958311517]
  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。
  論文  参考訳（メタデータ） (2023-12-22T10:25:27Z)
• 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)
• CXTrack: Improving 3D Point Cloud Tracking with Contextual Information [59.55870742072618]
  3Dオブジェクトトラッキングは、自律運転など、多くのアプリケーションにおいて重要な役割を果たす。 CXTrackは3次元オブジェクト追跡のためのトランスフォーマーベースのネットワークである。 CXTrackは29FPSで動作しながら最先端のトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:29:01Z)
• A Survey of Robust 3D Object Detection Methods in Point Clouds [2.1655448059430222]
  本稿では,新しいデータ拡張手法,サンプリング戦略,アクティベーション機能,アテンション機構,正規化手法について述べる。 KITTI, nuScenes, およびデータセットを用いた新しい3Dオブジェクト検出器の評価を行った。 LiDARポイントクラウドにおける3Dオブジェクト検出の現在の課題について言及し、いくつかのオープンな問題をリストアップする。
  論文  参考訳（メタデータ） (2022-03-31T21:41:32Z)
• Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
  小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。 本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。 このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-03-22T00:58:27Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。