Fugu-MT 論文翻訳(概要): OneBEV: Using One Panoramic Image for Bird's-Eye-View Semantic Mapping

論文の概要: OneBEV: Using One Panoramic Image for Bird's-Eye-View Semantic Mapping

arxiv url: http://arxiv.org/abs/2409.13912v1
Date: Fri, 20 Sep 2024 21:33:53 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 04:39:44.092835
Title: OneBEV: Using One Panoramic Image for Bird's-Eye-View Semantic Mapping
Title（参考訳）: OneBEV:1つのパノラマ画像による鳥の視点のセマンティックマッピング
Authors: Jiale Wei, Junwei Zheng, Ruiping Liu, Jie Hu, Jiaming Zhang, Rainer Stiefelhagen,
Abstract要約: OneBEVは、単一のパノラマ画像を入力として使用する、新しいBEVセマンティックマッピングアプローチである。 Mamba View Transformation (MVT)と呼ばれる歪み対応モジュールは、パノラマの空間歪みを処理するために特別に設計されている。この作業は、自律運転におけるBEVセマンティックマッピングを前進させ、より高度で信頼性の高い自律システムへの道を開く。
参考スコア（独自算出の注目度）: 25.801868221496473
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the field of autonomous driving, Bird's-Eye-View (BEV) perception has attracted increasing attention in the community since it provides more comprehensive information compared with pinhole front-view images and panoramas. Traditional BEV methods, which rely on multiple narrow-field cameras and complex pose estimations, often face calibration and synchronization issues. To break the wall of the aforementioned challenges, in this work, we introduce OneBEV, a novel BEV semantic mapping approach using merely a single panoramic image as input, simplifying the mapping process and reducing computational complexities. A distortion-aware module termed Mamba View Transformation (MVT) is specifically designed to handle the spatial distortions in panoramas, transforming front-view features into BEV features without leveraging traditional attention mechanisms. Apart from the efficient framework, we contribute two datasets, i.e., nuScenes-360 and DeepAccident-360, tailored for the OneBEV task. Experimental results showcase that OneBEV achieves state-of-the-art performance with 51.1% and 36.1% mIoU on nuScenes-360 and DeepAccident-360, respectively. This work advances BEV semantic mapping in autonomous driving, paving the way for more advanced and reliable autonomous systems.
Abstract（参考訳）: 自律運転の分野では、ピンホールフロントビューイメージやパノラマに比べて包括的な情報を提供するため、バードズアイビュー(BEV)の認識がコミュニティの注目を集めている。複数の狭視野カメラと複雑なポーズ推定に依存する従来のBEV法は、しばしば校正と同期の問題に直面している。上記の課題の壁を壊すため,1つのパノラマ画像のみを入力として用いた新しいBEVセマンティックマッピング手法であるOneBEVを導入し,マッピングプロセスの簡素化と計算複雑性の低減を図る。 Mamba View Transformation (MVT)と呼ばれる歪み認識モジュールは、パノラマの空間歪みを処理し、従来の注意機構を使わずにフロントビュー機能をBEV機能に変換するように設計されている。効率的なフレームワークとは別に、OneBEVタスク用に調整されたnuScenes-360とDeepAccident-360という2つのデータセットをコントリビュートする。実験の結果、OneBEV は nuScenes-360 と DeepAccident-360 で 51.1% と 36.1% mIoU の最先端性能を達成した。この作業は、自律運転におけるBEVセマンティックマッピングを前進させ、より高度で信頼性の高い自律システムへの道を開く。

関連論文リスト

DA-BEV: Unsupervised Domain Adaptation for Bird's Eye View Perception [104.87876441265593]
カメラのみのBird's Eye View (BEV)は3次元空間における環境認識に大きな可能性を示した。非教師なし領域適応型BEVは、様々な未ラベル対象データから効果的に学習するが、まだ未探索である。 DA-BEVは、画像ビュー機能とBEV機能の相補性を利用して、ドメイン適応型BEV課題に対処する、最初のドメイン適応型カメラのみのBEVフレームワークである。
論文参考訳（メタデータ） (2024-01-13T04:21:24Z)
M-BEV: Masked BEV Perception for Robust Autonomous Driving [30.110634411996404]
Bird-Eye-View (BEV) は、低コストなデプロイメントと望ましい視覚検出能力のため、広く注目を集めている。既存のモデルでは、駆動手順中に現実的なシナリオを無視しているため、パフォーマンスが大幅に低下する。本稿では,M-BEV(Masked BEV)認識フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-19T13:25:45Z)
Multi-camera Bird's Eye View Perception for Autonomous Driving [17.834495597639805]
他のエージェントや構造の空間的推論を可能にするためには、3Dで知覚出力を生成することが不可欠である。カメラ画像から所望のBEV表現を達成するための最も基本的なアプローチは、平らな地面を仮定してIPMである。近年のアプローチでは、ディープニューラルネットワークを使用してBEV空間を直接出力している。
論文参考訳（メタデータ） (2023-09-16T19:12:05Z)
FB-BEV: BEV Representation from Forward-Backward View Transformations [131.11787050205697]
本稿では,Bird-Eye-View (BEV) 表現のためのビュートランスフォーメーションモジュール (VTM) を提案する。我々は提案したモジュールをFB-BEVでインスタンス化し、nuScenesテストセット上で62.4%のNDSの最先端結果を達成する。
論文参考訳（メタデータ） (2023-08-04T10:26:55Z)
SA-BEV: Generating Semantic-Aware Bird's-Eye-View Feature for Multi-view 3D Object Detection [46.92706423094971]
画像特徴のセマンティックセグメンテーションに応じて背景情報をフィルタリングするセマンティック・アウェア・BEVプール(SA-BEVPool)を提案する。また、セマンティック・アウェアのBEV機能と密接にマッチする効果的なデータ拡張戦略であるBEV-Pasteを提案する。 nuScenesの実験では、SA-BEVが最先端のパフォーマンスを達成することが示されている。
論文参考訳（メタデータ） (2023-07-21T10:28:19Z)
An Efficient Transformer for Simultaneous Learning of BEV and Lane Representations in 3D Lane Detection [55.281369497158515]
3次元車線検出のための効率的な変圧器を提案する。バニラ変圧器と異なり、我々のモデルは車線とBEVの表現を同時に学習するクロスアテンション機構を含んでいる。本手法は,2次元および3次元の車線特徴を画像ビューとBEVの特徴にそれぞれ適用することにより,2次元および3次元車線予測を実現する。
論文参考訳（メタデータ） (2023-06-08T04:18:31Z)
360BEV: Panoramic Semantic Mapping for Indoor Bird's-Eye View [38.10346176323481]
狭い視野(FoV)を単独で使用する場合、鳥眼視(BEV)の知覚は制限される。 360BEVタスクは、トップダウンビューで室内シーンの全体的表現を実現するために、初めて確立された。
論文参考訳（メタデータ） (2023-03-21T15:01:02Z)
BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation [105.96557764248846]
本稿では,汎用マルチタスクマルチセンサ融合フレームワークであるBEVFusionを紹介する。共有鳥眼ビュー表示空間におけるマルチモーダル特徴を統一する。 3Dオブジェクト検出では1.3%高いmAPとNDS、BEVマップのセグメンテーションでは13.6%高いmIoU、コストは1.9倍である。
論文参考訳（メタデータ） (2022-05-26T17:59:35Z)
M^2BEV: Multi-Camera Joint 3D Detection and Segmentation with Unified Birds-Eye View Representation [145.6041893646006]
M$2$BEVは3Dオブジェクトの検出とマップのセグメンテーションを共同で行う統合フレームワークである。 M$2$BEVは、両方のタスクを統一モデルで推論し、効率を向上する。
論文参考訳（メタデータ） (2022-04-11T13:43:25Z)
Bird's-Eye-View Panoptic Segmentation Using Monocular Frontal View Images [4.449481309681663]
本研究では,Bird's-Eye-View (BEV) マップにおいて,高密度パノプティックセグメンテーションマップを直接予測するエンド・ツー・エンドの学習手法を提案する。私たちのアーキテクチャはトップダウンパラダイムに従っており、新しい高密度トランスモジュールを組み込んでいます。我々は、FV-BEV変換の感度を数学的に定式化し、BEV空間のピクセルをインテリジェントに重み付けすることができる。
論文参考訳（メタデータ） (2021-08-06T17:59:11Z)

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。