論文の概要: Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2501.07133v1
• Date: Mon, 13 Jan 2025 08:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:24:16.435889
• Title: Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions
• Title（参考訳）: 逆気象条件下におけるLiDAR点雲のロバスト単一物体追跡
• Authors: Xiantong Zhao, Xiuping Liu, Shengjing Tian, Yinan Han,
• Abstract要約: LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。 現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
• 参考スコア（独自算出の注目度）: 4.133835011820212
• License:
• Abstract: 3D single object tracking (3DSOT) in LiDAR point clouds is a critical task for outdoor perception, enabling real-time perception of object location, orientation, and motion. Despite the impressive performance of current 3DSOT methods, evaluating them on clean datasets inadequately reflects their comprehensive performance, as the adverse weather conditions in real-world surroundings has not been considered. One of the main obstacles is the lack of adverse weather benchmarks for the evaluation of 3DSOT. To this end, this work proposes a challenging benchmark for LiDAR-based 3DSOT in adverse weather, which comprises two synthetic datasets (KITTI-A and nuScenes-A) and one real-world dataset (CADC-SOT) spanning three weather types: rain, fog, and snow. Based on this benchmark, five representative 3D trackers from different tracking frameworks conducted robustness evaluation, resulting in significant performance degradations. This prompts the question: What are the factors that cause current advanced methods to fail on such adverse weather samples? Consequently, we explore the impacts of adverse weather and answer the above question from three perspectives: 1) target distance; 2) template shape corruption; and 3) target shape corruption. Finally, based on domain randomization and contrastive learning, we designed a dual-branch tracking framework for adverse weather, named DRCT, achieving excellent performance in benchmarks.
• Abstract（参考訳）: LiDAR点雲における3次元物体追跡(3DSOT)は、物体の位置、向き、動きのリアルタイム認識を可能にする屋外知覚にとって重要なタスクである。 現在の3DSOT手法の優れた性能にもかかわらず、それらをクリーンデータセットで評価することは、現実の環境における悪天候が考慮されていないため、その包括的な性能を不適切に反映している。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。 そこで本研究では,2つの合成データセット(KITTI-AとnuScenes-A)と1つの実世界のデータセット(CADC-SOT)からなる,降雨,霧,雪の3種類の気象条件下でのLiDARベースの3DSOTの挑戦的なベンチマークを提案する。 このベンチマークに基づいて、異なるトラッキングフレームワークの5つの代表的3Dトラッカーがロバストネス評価を行い、パフォーマンスが大幅に低下した。 現在の先進的な手法がこのような悪天候のサンプルで失敗する原因は何か? その結果、悪天候の影響を調査し、3つの視点から上記の質問に答える。 1) 目標距離 2) テンプレート形状の腐敗,及び 3) 形状破壊を目標とする。 最後に、ドメインのランダム化とコントラスト学習に基づいて、DRCTと呼ばれる悪天候のためのデュアルブランチ追跡フレームワークを設計し、ベンチマークで優れた性能を実現した。

関連論文リスト

• SEED: A Simple and Effective 3D DETR in Point Clouds [72.74016394325675]
  ポイントクラウドの分散度が高く,不均一な分布のため,主な課題は困難である,と我々は主張する。 点雲から3次元物体を検出するための簡便で効果的な3次元DETR法(SEED)を提案する。
  論文  参考訳（メタデータ） (2024-07-15T14:21:07Z)
• Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
  道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。 当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。 悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
  論文  参考訳（メタデータ） (2023-10-02T07:34:15Z)
• OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
  OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。 この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
  論文  参考訳（メタデータ） (2023-04-17T20:39:25Z)
• 3D Semantic Segmentation in the Wild: Learning Generalized Models for Adverse-Condition Point Clouds [39.93598343454411]
  我々は,高密度なポイントレベルのアノテーションを提供する,悪天候なポイントクラウドデータセットであるSemanticSTFを紹介した。 1) 正規ウェザーデータから悪ウェザーデータに適応するドメイン適応型3DSS, 2) 正規ウェザーデータから全ウェザーモデルを学ぶドメイン一般化型3DSSである。
  論文  参考訳（メタデータ） (2023-04-03T02:39:46Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。