論文の概要: Deep Generic Dynamic Object Detection Based on Dynamic Grid Maps

• arxiv url: http://arxiv.org/abs/2410.14799v1
• Date: Fri, 18 Oct 2024 18:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:20:40.254885
• Title: Deep Generic Dynamic Object Detection Based on Dynamic Grid Maps
• Title（参考訳）: 動的グリッドマップに基づく深部ジェネリック動的物体検出
• Authors: Rujiao Yan, Linda Schubert, Alexander Kamm, Matthias Komar, Matthias Schreier,
• Abstract要約: 本稿では,自動走行のためのジェネリック・ダイナミック・オブジェクトを検出する手法について述べる。 動的オブジェクトの存在を推測するために、LiDARベースの動的グリッドがオンラインで生成される。 ディープラーニングに基づく検出器は、任意のタイプの動的オブジェクトの存在を推測するために、動的グリッド上で訓練される。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: This paper describes a method to detect generic dynamic objects for automated driving. First, a LiDAR-based dynamic grid is generated online. Second, a deep learning-based detector is trained on the dynamic grid to infer the presence of dynamic objects of any type, which is a prerequisite for safe automated vehicles in arbitrary, edge-case scenarios. The Rotation-equivariant Detector (ReDet) - originally designed for oriented object detection on aerial images - was chosen due to its high detection performance. Experiments are conducted based on real sensor data and the benefits in comparison to classic dynamic cell clustering strategies are highlighted. The false positive object detection rate is strongly reduced by the proposed approach.
• Abstract（参考訳）: 本稿では,自動走行のためのジェネリック・ダイナミック・オブジェクトを検出する手法について述べる。 まず、LiDARベースの動的グリッドをオンラインで生成する。 第二に、深層学習に基づく検出器は、任意のタイプの動的物体の存在を推測するために、動的グリッド上で訓練される。 回転同変検出器(ReDet)は、もともと空中画像のオブジェクト指向物体検出のために設計されたもので、高い検出性能のために選択された。 実センサデータに基づいて実験を行い、従来の動的セルクラスタリング戦略と比較して利点を強調した。 提案手法により, 偽陽性物体検出率を強く低減する。

関連論文リスト

• UNION: Unsupervised 3D Object Detection using Object Appearance-based Pseudo-Classes [2.7855886538423182]
  教師なしの3Dオブジェクト検出手法が登場し、トレーニングに手動ラベルを必要とせずに膨大な量のデータを活用するようになった。 最近のアプローチでは、モバイルオブジェクトの検出を学習するために動的オブジェクトに依存しているが、トレーニング中に静的インスタンスの検出をペナルティ化している。 我々は空間クラスタリングと自己監督型シーンフローを用いて、LiDARから静的および動的オブジェクトの提案セットを得る。 その結果、静的および動的移動物体が一緒に得られ、既存の検出器は単一の訓練で訓練することができる。
  論文  参考訳（メタデータ） (2024-05-24T16:27:05Z)
• Detecting Every Object from Events [24.58024539462497]
  本稿では,イベントベースの視覚において,クラスに依存しない高速なオープンワールドオブジェクト検出を実現するためのアプローチとして,イベント中のすべてのオブジェクトの検出(DEOE)を提案する。 私たちのコードはhttps://github.com/Hatins/DEOEで公開されています。
  論文  参考訳（メタデータ） (2024-04-08T08:20:53Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• DynamicDet: A Unified Dynamic Architecture for Object Detection [9.719671347009827]
  オブジェクト検出のための動的フレームワークであるDynamicDetを提案する。 動的検出器の検出損失に基づく出口基準を用いた新しい最適化手法を提案する。 COCOベンチマークで行った実験は、提案したDynamicDetが新しい最先端の精度-速度トレードオフを実現することを示した。
  論文  参考訳（メタデータ） (2023-04-12T01:16:53Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)
• Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
  サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。 動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。 MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
  論文  参考訳（メタデータ） (2020-12-08T08:05:20Z)
• 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)
• Single-Stage Object Detection from Top-View Grid Maps on Custom Sensor Setups [3.751342183022128]
  本稿では,自動走行シナリオにおけるトップビューグリッドマップ上の単段物体検出のための教師なし領域適応手法を提案する。 提案手法を適用すれば,未ラベル領域のオブジェクト検出精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-02-03T12:05:20Z)

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。