論文の概要: ERASOR++: Height Coding Plus Egocentric Ratio Based Dynamic Object
Removal for Static Point Cloud Mapping
- arxiv url: http://arxiv.org/abs/2403.05019v1
- Date: Fri, 8 Mar 2024 03:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 21:05:10.378550
- Title: ERASOR++: Height Coding Plus Egocentric Ratio Based Dynamic Object
Removal for Static Point Cloud Mapping
- Title(参考訳): ERASOR++: 静的ポイントクラウドマッピングのための高符号化とエゴセントリック比に基づく動的オブジェクト除去
- Authors: Jiabao Zhang and Yu Zhang
- Abstract要約: 3Dポイントクラウドマップの動的オブジェクトは、地図歪みと長いトレースを導入することができる。
本研究では,Pseudo OccupancyのEgocentric Ratioに基づく動的オブジェクトの効率的な除去手法であるERASOR++を提案する。
提案手法は既存の手法と比較して精度と効率の点で優れた性能を示す。
- 参考スコア(独自算出の注目度): 5.056432027978704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mapping plays a crucial role in location and navigation within automatic
systems. However, the presence of dynamic objects in 3D point cloud maps
generated from scan sensors can introduce map distortion and long traces,
thereby posing challenges for accurate mapping and navigation. To address this
issue, we propose ERASOR++, an enhanced approach based on the Egocentric Ratio
of Pseudo Occupancy for effective dynamic object removal. To begin, we
introduce the Height Coding Descriptor, which combines height difference and
height layer information to encode the point cloud. Subsequently, we propose
the Height Stack Test, Ground Layer Test, and Surrounding Point Test methods to
precisely and efficiently identify the dynamic bins within point cloud bins,
thus overcoming the limitations of prior approaches. Through extensive
evaluation on open-source datasets, our approach demonstrates superior
performance in terms of precision and efficiency compared to existing methods.
Furthermore, the techniques described in our work hold promise for addressing
various challenging tasks or aspects through subsequent migration.
- Abstract(参考訳): マッピングは、自動システム内の位置とナビゲーションにおいて重要な役割を果たす。
しかし、スキャンセンサから生成された3Dポイントクラウドマップ内の動的オブジェクトの存在は、地図歪みと長いトレースを導入し、正確なマッピングとナビゲーションの課題を提起することができる。
この問題に対処するため,我々は,効果的な動的オブジェクト除去のための疑似占有率のエゴセントリック比に基づく拡張アプローチである erasor++ を提案する。
まず,高さ差と高さ層情報を組み合わせた高さ符号化ディスクリプタを導入し,ポイントクラウドを符号化する。
次に,高さスタックテスト,基底層テスト,周辺ポイントテスト手法を提案し,ポイントクラウドビン内の動的ビンを高精度かつ効率的に識別することで,従来のアプローチの限界を克服する。
オープンソースデータセットの広範な評価を通じて,既存の手法と比較して精度と効率の面で優れた性能を示す。
さらに,本研究で説明した技術は,その後の移行を通じて,様々な課題や側面に取り組むことを約束している。
関連論文リスト
- V-DETR: DETR with Vertex Relative Position Encoding for 3D Object
Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。
限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。
挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文 参考訳(メタデータ) (2023-08-08T17:14:14Z) - A Dynamic Points Removal Benchmark in Point Cloud Maps [7.932462079146208]
ロボット工学の分野では、点雲は重要な地図表現となっている。
点雲中の動的点を除去する既存の方法は、比較評価において明快さを欠くことが多い。
本稿では,地図の動的点を除去する手法を評価するため,拡張性のあるベンチマークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-14T10:21:26Z) - Long Range Object-Level Monocular Depth Estimation for UAVs [0.0]
本稿では,画像からモノクロ物体を長距離検出するための最先端手法の新たな拡張法を提案する。
まず、回帰タスクとして深度推定をモデル化する際、SigmoidおよびReLUライクエンコーディングを提案する。
次に,深度推定を分類問題とし,訓練損失の計算にソフトアルグマックス関数を導入する。
論文 参考訳(メタデータ) (2023-02-17T15:26:04Z) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳(メタデータ) (2022-11-15T15:58:36Z) - 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) - ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object
Removal for Static 3D Point Cloud Map Building [0.1474723404975345]
本稿では,pSeudo Occupancy-based dynamic object Removal の ERASOR, Egocentric RAtio という新しい静的マップ構築手法を提案する。
私たちのアプローチは、必然的に地面と接触している都市環境における最もダイナミックなオブジェクトの性質にその注意を向けます。
論文 参考訳(メタデータ) (2021-03-07T10:29:07Z) - Densely Nested Top-Down Flows for Salient Object Detection [137.74130900326833]
本稿では,物体検出におけるトップダウンモデリングの役割を再考する。
密度の高いトップダウンフロー(DNTDF)ベースのフレームワークを設計する。
DNTDFのすべての段階において、高いレベルの特徴はプログレッシブ圧縮ショートカットパス(PCSP)を介して読み込まれる。
論文 参考訳(メタデータ) (2021-02-18T03:14:02Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳(メタデータ) (2020-08-09T09:26:30Z) - 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。