論文の概要: Annotation-Free Curb Detection Leveraging Altitude Difference Image
- arxiv url: http://arxiv.org/abs/2409.20171v1
- Date: Mon, 30 Sep 2024 10:29:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 13:07:12.735722
- Title: Annotation-Free Curb Detection Leveraging Altitude Difference Image
- Title(参考訳): 高度差画像を利用した注釈なしカーブ検出
- Authors: Fulong Ma, Peng Hou, Yuxuan Liu, Ming Liu, Jun Ma,
- Abstract要約: 自動運転車の安全性を確保するためには、道路封鎖が不可欠である。
縁石検出の現在の方法は、カメラ画像やLiDAR点雲に依存している。
本研究は,ADI(Altitude Difference Image)を利用したアノテーションのないストレッチ検出手法を提案する。
- 参考スコア(独自算出の注目度): 9.799565515089617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road curbs are considered as one of the crucial and ubiquitous traffic features, which are essential for ensuring the safety of autonomous vehicles. Current methods for detecting curbs primarily rely on camera imagery or LiDAR point clouds. Image-based methods are vulnerable to fluctuations in lighting conditions and exhibit poor robustness, while methods based on point clouds circumvent the issues associated with lighting variations. However, it is the typical case that significant processing delays are encountered due to the voluminous amount of 3D points contained in each frame of the point cloud data. Furthermore, the inherently unstructured characteristics of point clouds poses challenges for integrating the latest deep learning advancements into point cloud data applications. To address these issues, this work proposes an annotation-free curb detection method leveraging Altitude Difference Image (ADI), which effectively mitigates the aforementioned challenges. Given that methods based on deep learning generally demand extensive, manually annotated datasets, which are both expensive and labor-intensive to create, we present an Automatic Curb Annotator (ACA) module. This module utilizes a deterministic curb detection algorithm to automatically generate a vast quantity of training data. Consequently, it facilitates the training of the curb detection model without necessitating any manual annotation of data. Finally, by incorporating a post-processing module, we manage to achieve state-of-the-art results on the KITTI 3D curb dataset with considerably reduced processing delays compared to existing methods, which underscores the effectiveness of our approach in curb detection tasks.
- Abstract(参考訳): 道路封鎖は、自動運転車の安全確保に不可欠である、重要かつユビキタスな交通特徴の1つと考えられている。
縁石検出の現在の方法は、主にカメラ画像やLiDAR点雲に依存している。
画像ベースの手法は照明条件の変動に対して脆弱であり、ロバスト性は低いが、点雲に基づく手法では照明の変動に伴う問題を回避できる。
しかし、点雲データの各フレームに含まれる3Dポイントの発光量により、処理遅延が著しく発生するのが典型例である。
さらに、ポイントクラウドの本質的に非構造的な特徴は、最新のディープラーニングの進歩をポイントクラウドデータアプリケーションに統合する上での課題を引き起こします。
これらの課題に対処するために、上記の課題を効果的に軽減する、Altitude Difference Image (ADI) を利用したアノテーションのないストレッチ検出手法を提案する。
ディープラーニングに基づく手法は一般的に手動で注釈付きデータセットを必要とするが、これは高価で作業集約的なものであるため、自動カーブアノテーション(ACA)モジュールを提示する。
このモジュールは、決定論的ストレッチ検出アルゴリズムを使用して、大量のトレーニングデータを自動生成する。
これにより、データの手動アノテーションを必要とせずに、ストレッチ検出モデルのトレーニングが容易になる。
最後に, 後処理モジュールを組み込むことで, KITTI 3Dスレッチデータセットの処理遅延を大幅に低減し, 検出タスクの抑制に対するアプローチの有効性を実証する。
関連論文リスト
- CurbNet: Curb Detection Framework Based on LiDAR Point Cloud Segmentation [7.451629109566809]
本稿では,ポイントクラウドセグメンテーションを利用した検出を抑える新しいフレームワークであるCurbNetを紹介する。
我々はセマンティックKITTIをベースとした3D-Curbデータセットを開発した。
xy平面上の凹凸特性の不均一分布と、z軸に沿った高周波特性への依存による課題に対処するため、マルチスケール・チャネルアテンション(MSCA)モジュールを導入する。
論文 参考訳(メタデータ) (2024-03-25T14:13:09Z) - 3D Object Detection and High-Resolution Traffic Parameters Extraction
Using Low-Resolution LiDAR Data [14.142956899468922]
本研究では,複数のLiDARシステムの必要性を緩和し,無駄な3Dアノテーションプロセスを簡単にする,革新的なフレームワークを提案する。
2次元境界箱検出と抽出された高さ情報を用いて,人間の介入なしに3次元境界箱を自動的に生成することができる。
論文 参考訳(メタデータ) (2024-01-13T01:22:20Z) - TimePillars: Temporally-Recurrent 3D LiDAR Object Detection [8.955064958311517]
TimePillarsは時間的にリカレントなオブジェクト検出パイプラインである。
時間にわたってLiDARデータの柱表現を利用する。
基礎的なビルディングブロックがいかに堅牢で効率的な結果を得るのに十分なかを示す。
論文 参考訳(メタデータ) (2023-12-22T10:25:27Z) - LiDAR-based curb detection for ground truth annotation in automated
driving validation [2.954315548942922]
本稿では,LiDARセンサから取得した点雲列中の3次元ストレッチを検出する手法を提案する。
シーケンスレベル処理ステップは、車両のオドメトリーを用いて、再構成された点雲内の3D縁石を推定する。
これらの検出は、ラベリングパイプラインの事前アノテーションとして使用して、ストレッチ関連地上真実データを効率的に生成することができる。
論文 参考訳(メタデータ) (2023-12-01T12:15:09Z) - Refining the ONCE Benchmark with Hyperparameter Tuning [45.55545585587993]
本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。
データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。
従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-10T13:39:07Z) - 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) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳(メタデータ) (2023-07-20T15:21:28Z) - 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) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳(メタデータ) (2022-03-22T10:14:08Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳(メタデータ) (2021-09-30T10:23:55Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z)
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。