論文の概要: FeaKM: Robust Collaborative Perception under Noisy Pose Conditions

• arxiv url: http://arxiv.org/abs/2502.11003v1
• Date: Sun, 16 Feb 2025 06:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:10:55.966468
• Title: FeaKM: Robust Collaborative Perception under Noisy Pose Conditions
• Title（参考訳）: FeaKM:騒音条件下でのロバストな協調知覚
• Authors: Jiuwu Hao, Liguo Sun, Ti Xiang, Yuting Wan, Haolin Song, Pin Lv,
• Abstract要約: FeaKM(FeaKM)は,協調エージェント間の相違を正すために特徴レベルキーポイントマッチングを利用する新しい手法である。 実験の結果, FeaKM は DAIR-V2X データセット上の既存手法よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 1.9626657740463982
• License:
• Abstract: Collaborative perception is essential for networks of agents with limited sensing capabilities, enabling them to work together by exchanging information to achieve a robust and comprehensive understanding of their environment. However, localization inaccuracies often lead to significant spatial message displacement, which undermines the effectiveness of these collaborative efforts. To tackle this challenge, we introduce FeaKM, a novel method that employs Feature-level Keypoints Matching to effectively correct pose discrepancies among collaborating agents. Our approach begins by utilizing a confidence map to identify and extract salient points from intermediate feature representations, allowing for the computation of their descriptors. This step ensures that the system can focus on the most relevant information, enhancing the matching process. We then implement a target-matching strategy that generates an assignment matrix, correlating the keypoints identified by different agents. This is critical for establishing accurate correspondences, which are essential for effective collaboration. Finally, we employ a fine-grained transformation matrix to synchronize the features of all agents and ascertain their relative statuses, ensuring coherent communication among them. Our experimental results demonstrate that FeaKM significantly outperforms existing methods on the DAIR-V2X dataset, confirming its robustness even under severe noise conditions. The code and implementation details are available at https://github.com/uestchjw/FeaKM.
• Abstract（参考訳）: 協調的知覚は、限られた知覚能力を持つエージェントのネットワークにとって不可欠であり、情報を交換して環境の堅牢で包括的な理解を達成することで協力することを可能にする。 しかし、ローカライゼーションの不正確さは、しばしば大きな空間的メッセージの変位を引き起こし、これらの共同作業の有効性を損なう。 この課題に対処するために、我々はFeaKMという特徴レベルキーポイントマッチングを用いた新しい手法を導入し、協調エージェント間の相違を効果的に補正する。 提案手法は、信頼マップを用いて中間特徴表現から有意点を抽出し、それらの記述子の計算を可能にする。 このステップは、システムが最も関連性の高い情報に集中し、マッチングプロセスを強化することを保証する。 次に、異なるエージェントによって識別されるキーポイントを関連づけた、代入行列を生成するターゲットマッチング戦略を実装した。 これは、効果的なコラボレーションに不可欠な正確な対応を確立するために重要である。 最後に、すべてのエージェントの特徴を同期させ、それらの相対的状態を確認し、それら間のコヒーレントな通信を確保するために、きめ細かい変換行列を用いる。 実験の結果,FeaKMはDAIR-V2Xデータセットの既存手法よりも優れており,騒音条件下においても頑健性が確認されている。 コードと実装の詳細はhttps://github.com/uestchjw/FeaKM.comで確認できる。

関連論文リスト

• mmCooper: A Multi-agent Multi-stage Communication-efficient and Collaboration-robust Cooperative Perception Framework [12.896563384343889]
  mmCooperは、新しいマルチエージェント、マルチステージ、コミュニケーション効率、コラボロバストな協調認識フレームワークである。 実世界およびシミュレーションデータセットの広範な実験を通して,mmCooperの有効性を検証する。
  論文  参考訳（メタデータ） (2025-01-21T16:34:16Z)
• RoCo:Robust Collaborative Perception By Iterative Object Matching and Pose Adjustment [9.817492112784674]
  複数の車両との協調自動運転は通常、複数のモードからのデータ融合を必要とする。 協調的な知覚では、モダリティに基づく物体検出の品質は、エージェント間の相対的なポーズ誤差に非常に敏感である。 反復的なオブジェクトマッチングとエージェントポーズ調整を行うための新しい教師なしフレームワークであるRoCoを提案する。
  論文  参考訳（メタデータ） (2024-08-01T03:29:33Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
  グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。 提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。 このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
  論文  参考訳（メタデータ） (2023-05-03T12:06:11Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
  時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。 この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:21:01Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。