Fugu-MT 論文翻訳(概要): Leveraging Anchor-based LiDAR 3D Object Detection via Point Assisted Sample Selection

論文の概要: Leveraging Anchor-based LiDAR 3D Object Detection via Point Assisted Sample Selection

arxiv url: http://arxiv.org/abs/2403.01978v1
Date: Mon, 4 Mar 2024 12:20:40 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 18:58:39.600401
Title: Leveraging Anchor-based LiDAR 3D Object Detection via Point Assisted Sample Selection
Title（参考訳）: 点支援サンプル選択によるアンカーベースLiDAR3Dオブジェクト検出の活用
Authors: Shitao Chen, Haolin Zhang, Nanning Zheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 40.005411891186874
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D object detection based on LiDAR point cloud and prior anchor boxes is a critical technology for autonomous driving environment perception and understanding. Nevertheless, an overlooked practical issue in existing methods is the ambiguity in training sample allocation based on box Intersection over Union (IoU_box). This problem impedes further enhancements in the performance of anchor-based LiDAR 3D object detectors. To tackle this challenge, this paper introduces a new training sample selection method that utilizes point cloud distribution for anchor sample quality measurement, named Point Assisted Sample Selection (PASS). This method has undergone rigorous evaluation on two widely utilized datasets. Experimental results demonstrate that the application of PASS elevates the average precision of anchor-based LiDAR 3D object detectors to a novel state-of-the-art, thereby proving the effectiveness of the proposed approach. The codes will be made available at https://github.com/XJTU-Haolin/Point_Assisted_Sample_Selection.
Abstract（参考訳）: LiDARポイントクラウドと先行アンカーボックスに基づく3Dオブジェクト検出は、自動運転環境の認識と理解にとって重要な技術である。それにもかかわらず、既存の手法の見過ごされた実践的問題は、IoU_box (box Intersection over Union) に基づくサンプルアロケーションのトレーニングの曖昧さである。この問題は、アンカーベースのLiDAR 3Dオブジェクト検出器の性能のさらなる向上を妨げている。そこで本稿では,この課題に取り組むために,アンカーサンプル品質測定にポイントクラウド分布を利用した新しいトレーニングサンプル選択法,名前付きポイントアシストサンプル選択法(pass)を提案する。この手法は2つの広く利用されているデータセットに対して厳密な評価を行った。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, 提案手法の有効性が証明された。コードはhttps://github.com/XJTU-Haolin/Point_Assisted_Sample_Selectionで公開される。

関連論文リスト

Open-Set 3D object detection in LiDAR data as an Out-of-Distribution problem [6.131026007721572]
LiDARデータからの3Dオブジェクト検出は,制御環境下での産業対応性能を実現している。我々は,LiDARデータにおけるオープンセット3Dオブジェクト検出問題を,外部分布(OOD)問題として再定義し,外乱オブジェクトを検出する。
論文参考訳（メタデータ） (2024-10-31T09:29:55Z)
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)
Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
論文参考訳（メタデータ） (2024-04-24T13:48:38Z)
Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
論文参考訳（メタデータ） (2024-03-20T12:51:30Z)
Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文参考訳（メタデータ） (2023-01-23T02:43:03Z)
Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T04:54:03Z)
Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-06-30T01:44:30Z)
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)
SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文参考訳（メタデータ） (2022-01-06T08:54:47Z)
LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
論文参考訳（メタデータ） (2021-03-29T03:01:21Z)

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。