Fugu-MT 論文翻訳(概要): SpikingRTNH: Spiking Neural Network for 4D Radar Object Detection

論文の概要: SpikingRTNH: Spiking Neural Network for 4D Radar Object Detection

arxiv url: http://arxiv.org/abs/2502.00074v1
Date: Fri, 31 Jan 2025 07:33:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 15:06:21.939471
Title: SpikingRTNH: Spiking Neural Network for 4D Radar Object Detection
Title（参考訳）: SpikingRTNH: 4次元レーダー物体検出のためのスパイクニューラルネットワーク
Authors: Dong-Hee Paek, Seung-Hyun Kong,
Abstract要約: SpikingRTNHは、4D Radarデータを用いた3Dオブジェクト検出のための最初のスパイクニューラルネットワーク(SNN)である。我々は,高密度から低密度の点雲を逐次処理する生物トップダウン推論(BTI)を導入する。その結果、自律運転システムにおけるエネルギー効率のよい4Dレーダによる物体検出のためのSNNの実現可能性を確立した。
参考スコア（独自算出の注目度）: 6.636342419996716
License:
Abstract: Recently, 4D Radar has emerged as a crucial sensor for 3D object detection in autonomous vehicles, offering both stable perception in adverse weather and high-density point clouds for object shape recognition. However, processing such high-density data demands substantial computational resources and energy consumption. We propose SpikingRTNH, the first spiking neural network (SNN) for 3D object detection using 4D Radar data. By replacing conventional ReLU activation functions with leaky integrate-and-fire (LIF) spiking neurons, SpikingRTNH achieves significant energy efficiency gains. Furthermore, inspired by human cognitive processes, we introduce biological top-down inference (BTI), which processes point clouds sequentially from higher to lower densities. This approach effectively utilizes points with lower noise and higher importance for detection. Experiments on K-Radar dataset demonstrate that SpikingRTNH with BTI significantly reduces energy consumption by 78% while achieving comparable detection performance to its ANN counterpart (51.1% AP 3D, 57.0% AP BEV). These results establish the viability of SNNs for energy-efficient 4D Radar-based object detection in autonomous driving systems. All codes are available at https://github.com/kaist-avelab/k-radar.
Abstract（参考訳）: 最近4D Radarは、自動運転車における3Dオブジェクト検出の重要なセンサーとして登場し、悪天候に対する安定した認識と物体形状認識のための高密度点雲の両方を提供している。しかし、そのような高密度データを処理するには、かなりの計算資源とエネルギー消費が必要である。 4次元レーダデータを用いた3次元物体検出のための最初のスパイキングニューラルネットワーク(SNN)であるSpkingRTNHを提案する。従来の ReLU 活性化機能を LIF ( leaky integration-and-fire) スパイキングニューロンに置き換えることで、SpikeRTNH はエネルギー効率を著しく向上させる。さらに,人間の認知過程にインスパイアされた生物トップダウン推論(BTI)を導入する。このアプローチは、ノイズが少なく、検出の重要度が高い点を効果的に活用する。 K-Radarデータセットの実験では、BTIを用いたSpkingRTNHはANNと同等の性能(51.1% AP 3D, 57.0% AP BEV)を達成しながら、エネルギー消費を78%削減している。これらの結果は、自律運転システムにおけるエネルギー効率のよい4Dレーダに基づく物体検出のためのSNNの実現可能性を確立する。すべてのコードはhttps://github.com/kaist-avelab/k-radar.comで入手できる。

関連論文リスト

RadarNeXt: Real-Time and Reliable 3D Object Detector Based On 4D mmWave Imaging Radar [1.93832811391491]
RadarNeXtは4D mmWaveのレーダー点雲に基づくリアルタイムで信頼性の高い3Dオブジェクト検出器である。我々は,RadarNeXtが4D mmWaveレーダに基づく3次元知覚のための新しい,効果的なパラダイムを提供することを示す。
論文参考訳（メタデータ） (2025-01-04T15:40:46Z)
RadarPillars: Efficient Object Detection from 4D Radar Point Clouds [42.9356088038035]
本稿では,柱型物体検出ネットワークRadarPillarsを提案する。放射速度データを分解することにより、RadarPillarsは、View-of-Delftデータセットの最先端検出結果を大幅に上回る。これはパラメータ数を大幅に削減し、既存のメソッドを効率面で上回り、エッジデバイス上でのリアルタイムパフォーマンスを実現している。
論文参考訳（メタデータ） (2024-08-09T12:13:38Z)
Efficient 4D Radar Data Auto-labeling Method using LiDAR-based Object Detection Network [5.405156980077946]
既存の4Dレーダーデータセットには十分なセンサーデータとラベルがない。これらの問題に対処するために,K-Radarデータセットにおける4次元レーダテンソル(4DRT)の自動ラベリング手法を提案する。
論文参考訳（メタデータ） (2024-05-13T04:28:06Z)
RTNH+: Enhanced 4D Radar Object Detection Network using Combined CFAR-based Two-level Preprocessing and Vertical Encoding [8.017543518311196]
RTNH+は4Dレーダオブジェクト検出ネットワークであるRTNHの拡張版である。 RTNH+は10.14%,$AP_3DIoU=0.3$,$AP_3DIoU=0.5$で16.12%の大幅な性能向上を実現している。
論文参考訳（メタデータ） (2023-10-19T06:45:19Z)
SMURF: Spatial Multi-Representation Fusion for 3D Object Detection with 4D Imaging Radar [12.842457981088378]
本稿では,単一4次元イメージングレーダを用いた新しい3次元物体検出手法である空間多重表現融合(SMURF)を提案する。 SMURFは、狭角分解能とレーダ信号のマルチパス伝搬による測定精度の低下を緩和する。 The experimental evaluations on View-of-Delft (VoD) and TJ4DRadSet datasets showed the effective and generalization ability of SMURF。
論文参考訳（メタデータ） (2023-07-20T11:33:46Z)
NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文参考訳（メタデータ） (2022-09-29T01:30:34Z)
Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
論文参考訳（メタデータ） (2022-08-22T04:47:40Z)
Paint and Distill: Boosting 3D Object Detection with Semantic Passing Network [70.53093934205057]
ライダーやカメラセンサーからの3Dオブジェクト検出タスクは、自動運転に不可欠である。本研究では,既存のライダーベース3D検出モデルの性能向上を図るために,SPNetという新しいセマンティックパスフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-12T12:35:34Z)
4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文参考訳（メタデータ） (2020-07-02T12:02:20Z)
Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文参考訳（メタデータ） (2020-01-24T22:58:55Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。