論文の概要: From One to the Power of Many: Augmentations for Invariance to Multi-LiDAR Perception from Single-Sensor Datasets

• arxiv url: http://arxiv.org/abs/2409.18592v1
• Date: Fri, 27 Sep 2024 09:51:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 21:55:30.125170
• Title: From One to the Power of Many: Augmentations for Invariance to Multi-LiDAR Perception from Single-Sensor Datasets
• Title（参考訳）: One to the Power of Many: Augmentations for Invariance to Multi-LiDAR Perception from Single-Sensor Datasets
• Authors: Marc Uecker, J. Marius Zöllner,
• Abstract要約: ディープニューラルネットワークを利用した自動運転車のLiDAR認識手法は、古典的なベンチマークでパフォーマンスが急上昇した。 単一センサーで訓練されたモデルを現代のマルチセンサー車両にデプロイする場合、パフォーマンスにはまだ大きなギャップがある。 アプリケーション固有のデータ拡張という形で初期のソリューションを提案し、マルチセンサーのLiDAR設定への転送を容易にする。
• 参考スコア（独自算出の注目度）: 12.712896458348515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, LiDAR perception methods for autonomous vehicles, powered by deep neural networks have experienced steep growth in performance on classic benchmarks, such as nuScenes and SemanticKITTI. However, there are still large gaps in performance when deploying models trained on such single-sensor setups to modern multi-sensor vehicles. In this work, we investigate if a lack of invariance may be responsible for these performance gaps, and propose some initial solutions in the form of application-specific data augmentations, which can facilitate better transfer to multi-sensor LiDAR setups. We provide experimental evidence that our proposed augmentations improve generalization across LiDAR sensor setups, and investigate how these augmentations affect the models' invariance properties on simulations of different LiDAR sensor setups.
• Abstract（参考訳）: 近年、ディープニューラルネットワークを利用した自動運転車のLiDAR認識手法は、nuScenesやSemanticKITTIのような古典的なベンチマークで性能が急上昇している。 しかし、そのような単一センサーで訓練されたモデルを現代のマルチセンサー車両に展開する際には、依然として性能に大きなギャップがある。 本研究では,これらの性能ギャップの原因となる不変性の欠如について検討し,アプリケーション固有のデータ拡張という形での初期解を提案する。 提案手法により,LiDARセンサ装置間の一般化が向上することを示す実験的な証拠を提示し,これらの拡張がLiDARセンサ装置のシミュレーションにおけるモデルの不変性に与える影響について検討する。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Is Your LiDAR Placement Optimized for 3D Scene Understanding? [8.233185931617122]
  一般的な運転データセットは、主に単一LiDARシステムを使用し、悪条件を伴わないデータを収集する。 そこで我々は,LiDAR配置最適化,データ生成,下流評価を含む全サイクルパイプラインであるPlace3Dを提案する。 各種気象・センサ故障条件下でのLiDARセマンティックセマンティックセグメンテーションと3次元物体検出タスクにおいて, 例外的な結果を示す。
  論文  参考訳（メタデータ） (2024-03-25T17:59:58Z)
• Traj-LIO: A Resilient Multi-LiDAR Multi-IMU State Estimator Through Sparse Gaussian Process [20.452961476175812]
  ガウス過程(GP)を利用したマルチLiDARマルチIMU状態推定器を提案する。 提案手法は,センサの異なる構成を処理でき,センサの故障に対して耐性がある。 コミュニティにコントリビュートするために、ソースコードを公開します。
  論文  参考訳（メタデータ） (2024-02-14T14:08:06Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Analysis of LiDAR Configurations on Off-road Semantic Segmentation Performance [0.6882042556551609]
  本稿では、3次元LiDARポイントクラウドセマンティックセグメンテーションモデルの性能に及ぼすLiDAR構成シフトの影響について検討する。 Cylinder3Dモデルは、ミシシッピ州立大学自動運転車シミュレータ(MAVS)で作成したシミュレーションされた3D LiDARポイントクラウドデータセットと、実世界のオフロード環境で収集されたRELLIS-3Dデータセットの32,64チャンネルのLiDARポイントクラウドでトレーニングされ、テストされている。
  論文  参考訳（メタデータ） (2023-06-28T20:41:45Z)
• Instant Domain Augmentation for LiDAR Semantic Segmentation [10.250046817380458]
  本稿では「LiDomAug」と呼ばれるセマンティックセグメンテーションタスクのための高速で柔軟なLiDAR拡張手法を提案する。 当社のオンデマンド拡張モジュールは330 FPSで動作するので、学習フレームワークのデータローダにシームレスに統合することができます。
  論文  参考訳（メタデータ） (2023-03-25T06:59:12Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems for Autonomous Vehicles [16.45799795374353]
  確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。 以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-05-02T01:52:18Z)

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。