論文の概要: Moving Object Segmentation in Point Cloud Data using Hidden Markov Models

• arxiv url: http://arxiv.org/abs/2410.18638v1
• Date: Thu, 24 Oct 2024 10:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:42:56.819803
• Title: Moving Object Segmentation in Point Cloud Data using Hidden Markov Models
• Title（参考訳）: 隠れマルコフモデルを用いた点クラウドデータにおけるオブジェクトセグメンテーションの移動
• Authors: Vedant Bhandari, Jasmin James, Tyson Phillips, P. Ross McAree,
• Abstract要約: 我々は,移動物体を点クラウドデータにセグメント化するための頑健な学習自由アプローチを提案する。 提案手法はベンチマークデータセット上でテストされ、最先端の手法よりも一貫してパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Autonomous agents require the capability to identify dynamic objects in their environment for safe planning and navigation. Incomplete and erroneous dynamic detections jeopardize the agent's ability to accomplish its task. Dynamic detection is a challenging problem due to the numerous sources of uncertainty inherent in the problem's inputs and the wide variety of applications, which often lead to use-case-tailored solutions. We propose a robust learning-free approach to segment moving objects in point cloud data. The foundation of the approach lies in modelling each voxel using a hidden Markov model (HMM), and probabilistically integrating beliefs into a map using an HMM filter. The proposed approach is tested on benchmark datasets and consistently performs better than or as well as state-of-the-art methods with strong generalized performance across sensor characteristics and environments. The approach is open-sourced at https://github.com/vb44/HMM-MOS.
• Abstract（参考訳）: 自律エージェントは、安全な計画とナビゲーションのために、環境内の動的オブジェクトを識別する機能を必要とします。 不完全かつ誤検出は、エージェントがそのタスクを達成する能力を危険にさらす。 動的検出は、多くの不確実性の源が問題の入力と様々なアプリケーションに固有のため、しばしばユースケース調整ソリューションにつながるため、難しい問題である。 我々は,移動物体を点クラウドデータにセグメント化するための頑健な学習自由アプローチを提案する。 このアプローチの基礎は、隠れマルコフモデル(HMM)を用いて各ボクセルをモデル化し、HMMフィルタを用いて信念を地図に確率的に統合することにある。 提案手法は、ベンチマークデータセット上でテストされ、センサの特性や環境にまたがる強力な一般化されたパフォーマンスを持つ最先端の手法よりも一貫してパフォーマンスが向上する。 このアプローチはhttps://github.com/vb44/HMM-MOSでオープンソース化されている。

関連論文リスト

• MARS: Multimodal Active Robotic Sensing for Articulated Characterization [6.69660410213287]
  我々は,音声による物体のキャラクタリゼーションのための新しいフレームワークMARSを紹介する。 マルチスケールのRGB機能を活用してポイントクラウド機能を強化するマルチモーダルフュージョンモジュールを備えている。 本手法は,実世界の音声オブジェクトに効果的に一般化し,ロボットのインタラクションを向上する。
  論文  参考訳（メタデータ） (2024-07-01T11:32:39Z)
• ERASOR++: Height Coding Plus Egocentric Ratio Based Dynamic Object Removal for Static Point Cloud Mapping [5.056432027978704]
  3Dポイントクラウドマップの動的オブジェクトは、地図歪みと長いトレースを導入することができる。 本研究では,Pseudo OccupancyのEgocentric Ratioに基づく動的オブジェクトの効率的な除去手法であるERASOR++を提案する。 提案手法は既存の手法と比較して精度と効率の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-08T03:45:04Z)
• DOZE: A Dataset for Open-Vocabulary Zero-Shot Object Navigation in Dynamic Environments [28.23284296418962]
  Zero-Shot Object Navigation (ZSON)は、エージェントが不慣れな環境で見えないオブジェクトを自律的に見つけ、アプローチすることを要求する。 ZSONアルゴリズムを開発するための既存のデータセットには、動的な障害、オブジェクトの多様性、シーンテキストが考慮されていない。 動的環境(DOZE)におけるオープンボキャブラリゼロショットオブジェクトナビゲーションのためのデータセットを提案する。 DOZEは18k以上のタスクを持つ10の高忠実な3Dシーンで構成されており、複雑な動的現実世界のシナリオを模倣することを目的としている。
  論文  参考訳（メタデータ） (2024-02-29T10:03:57Z)
• Open World Object Detection in the Era of Foundation Models [53.683963161370585]
  5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。 本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
  論文  参考訳（メタデータ） (2023-12-10T03:56:06Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Dynamic and Static Object Detection Considering Fusion Regions and Point-wise Features [7.41540085468436]
  本稿では,自動運転車の前方における静的・動的物体の検出手法を提案する。 われわれのアプローチは、検出された物体から、その位置、速度、方向などの他の特徴を得ることもできる。 提案手法の性能を示すために,ベンチマークデータセットと,自律プラットフォームから得られた実世界のデータを用いて評価する。
  論文  参考訳（メタデータ） (2021-07-27T09:42:18Z)
• Video Anomaly Detection by Estimating Likelihood of Representations [21.879366166261228]
  ビデオ異常は、モーション表現、オブジェクトのローカライゼーション、アクション認識など、多くのサブタスクを解決するため、困難なタスクである。 伝統的に、この課題に対する解決策は、これらの特徴の空間的接続を無視しながら、ビデオフレームとその低次元特徴のマッピングに焦点を当ててきた。 最近のソリューションでは、K-Meansのようなハードクラスタリング技術を用いてこれらの空間的接続を分析することや、潜伏した特徴を一般的な理解にマップするためにニューラルネットワークを適用することに焦点を当てている。 潜在特徴空間における映像異常を解決するために,このタスクを密度推定問題に転送するための深い確率モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-02T19:16:22Z)
• POMP: Pomcp-based Online Motion Planning for active visual search in indoor environments [89.43830036483901]
  本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。 提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。 提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
  論文  参考訳（メタデータ） (2020-09-17T08:23:50Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。