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
- Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳(メタデータ) (2024-03-10T10:36:32Z) - 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 [73.13609886390928]
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) - 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) - An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation [15.523875367380196]
トラッキングアルゴリズムを用いてLiDARシーケンスを自動的にアノテートする,効率的な半自動アノテーションツールを提案する。
本ツールでは,マルチオブジェクト追跡(MOT),シングルオブジェクト追跡(SOT),適切なトラック後処理手法をシームレスに統合する。
論文 参考訳(メタデータ) (2023-01-25T17:42:15Z) - 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) - PillarGrid: Deep Learning-based Cooperative Perception for 3D Object
Detection from Onboard-Roadside LiDAR [15.195933965761645]
我々は,複数の3次元LiDARからの情報を融合した新しい協調認識手法であるtextitPillarGridを提案する。
PillarGrid は,1) 点雲の協調前処理,2) 軸方向のボキセル化と特徴抽出,3) 複数のセンサからの特徴のグリッド方向の深層融合,4) 畳み込みニューラルネットワーク(CNN) に基づく3Dオブジェクト検出である。
広汎な実験により、PillarGridはSOTA単一LiDARに基づく3Dオブジェクト検出法よりも精度と範囲を大きなマージンで上回ることがわかった。
論文 参考訳(メタデータ) (2022-03-12T02:28:41Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - 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。