論文の概要: Separating Drone Point Clouds From Complex Backgrounds by Cluster Filter -- Technical Report for CVPR 2024 UG2 Challenge

• arxiv url: http://arxiv.org/abs/2412.16947v1
• Date: Sun, 22 Dec 2024 09:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:17.425955
• Title: Separating Drone Point Clouds From Complex Backgrounds by Cluster Filter -- Technical Report for CVPR 2024 UG2 Challenge
• Title（参考訳）: クラスタフィルタによる複雑な背景からドローンポイント雲を分離する -- CVPR 2024 UG2チャレンジの技術的報告
• Authors: Hanfang Liang, Jinming Hu, Xiaohuan Ling, Bing Wang,
• Abstract要約: 本稿では,教師なしパイプラインを用いた簡易なUAV検出手法を提案する。 時空間シーケンス処理を使用して複数のライダーデータセットを効果的に融合し、UAVの位置を追跡し、決定する。 本手法はCVPR 2024 UG2+ Challengeで4位を獲得し,本手法の有効性を確認した。
• 参考スコア（独自算出の注目度）: 3.4655579096694664
• License:
• Abstract: The increasing deployment of small drones as tools of conflict and disruption has amplified their threat, highlighting the urgent need for effective anti-drone measures. However, the compact size of most drones presents a significant challenge, as traditional supervised point cloud or image-based object detection methods often fail to identify such small objects effectively. This paper proposes a simple UAV detection method using an unsupervised pipeline. It uses spatial-temporal sequence processing to fuse multiple lidar datasets effectively, tracking and determining the position of UAVs, so as to detect and track UAVs in challenging environments. Our method performs front and rear background segmentation of point clouds through a global-local sequence clusterer and parses point cloud data from both the spatial-temporal density and spatial-temporal voxels of the point cloud. Furthermore, a scoring mechanism for point cloud moving targets is proposed, using time series detection to improve accuracy and efficiency. We used the MMAUD dataset, and our method achieved 4th place in the CVPR 2024 UG2+ Challenge, confirming the effectiveness of our method in practical applications.
• Abstract（参考訳）: 紛争と破壊のツールとしての小型ドローンの展開が増加し、その脅威が増大し、効果的な対ドローン対策の緊急の必要性が浮き彫りになった。 しかし、ほとんどのドローンのコンパクトサイズは、従来の監視ポイントクラウドや画像ベースのオブジェクト検出手法が、そのような小さなオブジェクトを効果的に識別できない場合が多いため、大きな課題となる。 本稿では,教師なしパイプラインを用いた簡易なUAV検出手法を提案する。 空間時間シーケンス処理を使用して複数のライダーデータセットを効果的に融合し、UAVの位置を追跡し、決定し、挑戦的な環境でUAVを検出し、追跡する。 提案手法は,グローバルな局所配列クラスタラを用いて,点雲の前後の背景分割を行い,点雲の空間時空間密度と空間時空間ボクセルから点雲データを解析する。 さらに,点雲移動目標のスコアリング機構を提案し,時系列検出を用いて精度と効率を向上させる。 MMAUDデータセットを用いて,CVPR 2024 UG2+ Challengeで4位となり,本手法の有効性を確認した。

関連論文リスト

• SFTrack: A Robust Scale and Motion Adaptive Algorithm for Tracking Small and Fast Moving Objects [2.9803250365852443]
  本稿では,無人航空機(UAV)映像における多物体追跡の問題に対処する。 交通監視システムや警察によるリアルタイム容疑者追跡など、様々なUAVアプリケーションにおいて重要な役割を果たしている。 低信頼度検出から対象物体の追跡を開始する新しい追跡戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-26T05:09:20Z)
• Clustering-based Learning for UAV Tracking and Pose Estimation [0.0]
  本研究は,UAV追跡と2種類のLiDARを用いたポーズ推定のためのクラスタリングに基づく学習検出手法であるCL-Detを開発する。 まず、Livox AviaデータとLiDAR 360データのタイムスタンプを調整し、その後、関心のあるオブジェクト(OOI)のポイントクラウドを環境から分離します。 提案手法は,CVPR 2024 UG2+ Challengeの最終リーダーボードにおいて,競争力のあるポーズ推定性能を示し,第5位にランクインする。
  論文  参考訳（メタデータ） (2024-05-27T06:33:25Z)
• PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
  時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。 私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。 大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
  論文  参考訳（メタデータ） (2023-12-13T18:59:13Z)
• Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds Using PointNet [0.7067443325368975]
  統合のための重要な前提条件は、安全な運用を確保するために、状況認識を増強したUAVを装備することである。 本研究は,複数の衝突リスクを同時に識別するために,レーダ技術を活用した航空点雲のエンドツーエンドセマンティックセマンティックセマンティックセグメンテーションを実現する。 我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
  論文  参考訳（メタデータ） (2023-11-06T16:04:58Z)
• Towards Unsupervised Object Detection From LiDAR Point Clouds [46.57452180314863]
  OYSTER (Object Discovery via Spatio-Temporal Refinement) は、オブジェクトをゼロショットで検出できる。 距離対衝突に基づく新しい計画中心の知覚尺度を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:12:01Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Automatic detection of aerial survey ground control points based on Yolov5-OBB [0.0]
  深層学習に基づくアーキテクチャ YOLOv5-OBB と信頼しきい値フィルタリングアルゴリズムと最適なランキングアルゴリズムを組み合わせたソリューションを提案する。 提案手法をDJI Phantom 4 Proドローンで収集したデータセットに適用した。
  論文  参考訳（メタデータ） (2023-03-06T11:13:23Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)

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。