論文の概要: Data Fusion of Semantic and Depth Information in the Context of Object Detection

• arxiv url: http://arxiv.org/abs/2412.03490v1
• Date: Wed, 04 Dec 2024 17:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:07:55.583162
• Title: Data Fusion of Semantic and Depth Information in the Context of Object Detection
• Title（参考訳）: 物体検出の文脈における意味情報と深さ情報の融合
• Authors: Md Abu Yusuf, Md Rezaul Karim Khan, Partha Pratim Saha, Mohammed Mahbubur Rahaman,
• Abstract要約: 開始v2の領域ベース畳み込みニューラルネットワーク(R-CNN)を利用する。 コンピュータビジョンアルゴリズムのカットエッジ技術を用いて、関心領域の3D参照ポイントを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Considerable study has already been conducted regarding autonomous driving in modern era. An autonomous driving system must be extremely good at detecting objects surrounding the car to ensure safety. In this paper, classification, and estimation of an object's (pedestrian) position (concerning an ego 3D coordinate system) are studied and the distance between the ego vehicle and the object in the context of autonomous driving is measured. To classify the object, faster Region-based Convolution Neural Network (R-CNN) with inception v2 is utilized. First, a network is trained with customized dataset to estimate the reference position of objects as well as the distance from the vehicle. From camera calibration to computing the distance, cutting-edge technologies of computer vision algorithms in a series of processes are applied to generate a 3D reference point of the region of interest. The foremost step in this process is generating a disparity map using the concept of stereo vision.
• Abstract（参考訳）: 現代における自動運転に関する検討はすでに行われている。 自律運転システムは、安全を確保するために、車を取り巻く物体を検出するのに非常に適している必要がある。 本稿では,物体の位置(エゴ3D座標系を含む)の分類と推定を行い,自律運転の文脈におけるエゴ車と物体の距離を測定する。 オブジェクトを分類するには、より高速な領域ベース畳み込みニューラルネットワーク(R-CNN)と開始v2を利用する。 まず、オブジェクトの参照位置と車両からの距離を推定するために、カスタマイズされたデータセットでネットワークを訓練する。 カメラキャリブレーションから距離計算まで、一連のプロセスにおけるコンピュータビジョンアルゴリズムの最先端技術を適用し、関心領域の3D参照ポイントを生成する。 このプロセスの最も重要なステップは、ステレオビジョンという概念を用いて不均一マップを生成することである。

関連論文リスト

• 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
  自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。 本稿では,自律運転における3次元物体検出技術の進歩を概観する。
  論文  参考訳（メタデータ） (2022-06-19T19:43:11Z)
• Weakly Supervised Training of Monocular 3D Object Detectors Using Wide Baseline Multi-view Traffic Camera Data [19.63193201107591]
  交差点における車両の7DoF予測は,道路利用者間の潜在的な衝突を評価する上で重要な課題である。 交通監視カメラ用3次元物体検出装置の微調整を弱教師付きで行う手法を開発した。 提案手法は,自動運転車のデータセット上で最上位のモノクル3Dオブジェクト検出器と同等の精度で車両の7DoFの予測精度を推定する。
  論文  参考訳（メタデータ） (2021-10-21T08:26:48Z)
• CFTrack: Center-based Radar and Camera Fusion for 3D Multi-Object Tracking [9.62721286522053]
  本稿では,レーダとカメラセンサの融合に基づく共同物体検出と追跡のためのエンドツーエンドネットワークを提案する。 提案手法では,物体検出に中心型レーダカメラ融合アルゴリズムを用い,物体関連にグリーディアルゴリズムを用いる。 提案手法は,20.0AMOTAを達成し,ベンチマークにおける視覚ベースの3Dトラッキング手法よりも優れる,挑戦的なnuScenesデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-11T23:56:53Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Ground-aware Monocular 3D Object Detection for Autonomous Driving [6.5702792909006735]
  1台のRGBカメラで環境中の物体の位置と向きを推定することは、低コストの都市自動運転と移動ロボットにとって難しい課題である。 既存のアルゴリズムのほとんどは、2D-3D対応における幾何学的制約に基づいており、これは一般的な6Dオブジェクトのポーズ推定に由来する。 深層学習の枠組みにおいて、そのようなアプリケーション固有の事前知識を完全に活用するための新しいニューラルネットワークモジュールを導入する。
  論文  参考訳（メタデータ） (2021-02-01T08:18:24Z)
• Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
  本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。 具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。 提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
  論文  参考訳（メタデータ） (2020-12-26T19:41:15Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Ego-motion and Surrounding Vehicle State Estimation Using a Monocular Camera [11.29865843123467]
  単眼カメラを用いて,エゴモーションと周囲の車両状態を推定する新しい機械学習手法を提案する。 提案手法は3つのディープニューラルネットワークを組み合わせて,画像列から3次元車両境界ボックス,深度,光学的流れを推定する。
  論文  参考訳（メタデータ） (2020-05-04T16:41:38Z)

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。