論文の概要: MonoWAD: Weather-Adaptive Diffusion Model for Robust Monocular 3D Object Detection

• arxiv url: http://arxiv.org/abs/2407.16448v1
• Date: Tue, 23 Jul 2024 12:58:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 17:16:18.452752
• Title: MonoWAD: Weather-Adaptive Diffusion Model for Robust Monocular 3D Object Detection
• Title（参考訳）: MonoWAD:ロバストなモノクロ3次元物体検出のための気象適応拡散モデル
• Authors: Youngmin Oh, Hyung-Il Kim, Seong Tae Kim, Jung Uk Kim,
• Abstract要約: 既存の手法は主に理想的な気象条件下での3D検出に重点を置いており、明瞭で最適な視界を持つシナリオが特徴である。 気象適応拡散モデルを用いた新規な気象ロバストなモノクロ3D物体検出器MonoWADを紹介する。 様々な気象条件下での実験では、MonoWADは天候に乱れたモノクロ3D物体の検出を達成している。
• 参考スコア（独自算出の注目度）: 22.277210748714378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 3D object detection is an important challenging task in autonomous driving. Existing methods mainly focus on performing 3D detection in ideal weather conditions, characterized by scenarios with clear and optimal visibility. However, the challenge of autonomous driving requires the ability to handle changes in weather conditions, such as foggy weather, not just clear weather. We introduce MonoWAD, a novel weather-robust monocular 3D object detector with a weather-adaptive diffusion model. It contains two components: (1) the weather codebook to memorize the knowledge of the clear weather and generate a weather-reference feature for any input, and (2) the weather-adaptive diffusion model to enhance the feature representation of the input feature by incorporating a weather-reference feature. This serves an attention role in indicating how much improvement is needed for the input feature according to the weather conditions. To achieve this goal, we introduce a weather-adaptive enhancement loss to enhance the feature representation under both clear and foggy weather conditions. Extensive experiments under various weather conditions demonstrate that MonoWAD achieves weather-robust monocular 3D object detection. The code and dataset are released at https://github.com/VisualAIKHU/MonoWAD.
• Abstract（参考訳）: モノクロ3D物体検出は、自律運転において重要な課題である。 既存の手法は主に理想的な気象条件下での3D検出に重点を置いており、明瞭で最適な視界を持つシナリオが特徴である。 しかし、自動運転の課題は、晴れた天候だけでなく、霧のような気象条件の変化を扱う能力を必要とする。 気象適応拡散モデルを用いた新規な気象ロバストなモノクロ3D物体検出器MonoWADを紹介する。 1) 天気予報の知識を記憶し、任意の入力に対して天気予報特徴を生成する天気コードブックと,(2) 天気予報特徴を取り入れて入力特徴の特徴表現を強化する気象順応拡散モデルとを含む。 このことは、気象条件に応じて入力機能にどの程度の改善が必要であるかを示す上で、注意を向ける役割を担っている。 この目的を達成するため,明暗条件と霧条件の両方で特徴表現を高めるために,気象適応性向上損失を導入する。 様々な気象条件下での広範囲な実験により、MonoWADは天候に乱れたモノクロ3D物体の検出を達成している。 コードとデータセットはhttps://github.com/VisualAIKHU/MonoWAD.comで公開されている。

関連論文リスト

• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• Multiple weather images restoration using the task transformer and adaptive mixup strategy [14.986500375481546]
  本稿では,複雑な気象条件を適応的に効果的に処理できる,マルチタスクの厳しい天候除去モデルを提案する。 本モデルでは,気象タスクシークエンスジェネレータを組み込んで,気象タイプに特有な特徴に選択的に注目する自己認識機構を実現する。 提案モデルでは,公開データセット上での最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-05T04:55:40Z)
• V2X-DGW: Domain Generalization for Multi-agent Perception under Adverse Weather Conditions [36.33595322964018]
  気象条件下でのマルチエージェント認識システム上でのLiDARに基づく3次元物体検出のためのドメイン一般化に基づくアプローチ V2X-DGW を提案する。 本研究の目的は、クリーンな天候下での良好なマルチエージェントのパフォーマンスを維持するだけでなく、クリーンな天気データのみを学習することで、目に見えない悪天候におけるパフォーマンスを向上させることである。
  論文  参考訳（メタデータ） (2024-03-17T23:29:41Z)
• Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
  ビデオの悪天候除去におけるテスト時間適応について紹介する。 本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:21:30Z)
• Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object Detection [26.278415287992964]
  従来の研究では、雨からの騒音をシミュレートし、検出モデルの堅牢性を改善することで、この問題に対処しようと試みてきた。 本研究では,動的・降雨環境理論を統一した新しい降雨シミュレーション手法DRETを提案する。 また,降雨条件下での3次元検出を強化するために,サニー・ツー・レイニー知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-02-28T17:21:02Z)
• DA-RAW: Domain Adaptive Object Detection for Real-World Adverse Weather Conditions [2.048226951354646]
  悪天候下での物体検出のための教師なし領域適応フレームワークを提案する。 提案手法は,高次特徴のスタイル関連情報に集中することで,スタイルギャップを解消する。 自己教師付きコントラスト学習を用いて、我々のフレームワークは、気象のギャップを減らし、気象汚染に対して堅牢な事例特徴を取得する。
  論文  参考訳（メタデータ） (2023-09-15T04:37:28Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• MonoTDP: Twin Depth Perception for Monocular 3D Object Detection in Adverse Scenes [49.21187418886508]
  本論文は,モノTDP(MonoTDP)と呼ばれる悪シーンにおける2つの深度を知覚するモノクル3次元検出モデルを提案する。 まず、制御不能な気象条件を扱うモデルを支援するための適応学習戦略を導入し、様々な劣化要因による劣化を著しく抑制する。 そこで本研究では, シーン深度と物体深度を同時に推定する新たな2つの深度認識モジュールを提案する。
  論文  参考訳（メタデータ） (2023-05-18T13:42:02Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。