論文の概要: Near-Shore Mapping for Detection and Tracking of Vessels

• arxiv url: http://arxiv.org/abs/2502.18368v1
• Date: Tue, 25 Feb 2025 17:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:08.660487
• Title: Near-Shore Mapping for Detection and Tracking of Vessels
• Title（参考訳）: 船舶の検知・追跡のための近距離マッピング
• Authors: Nicholas Dalhaug, Annette Stahl, Rudolf Mester, Edmund Førland Brekke,
• Abstract要約: 海上目標追跡は通常、陸地とドックをフィルタリングするために陸地マスキングを使用している。 われわれのアプローチでは、光検出とラング(LiDAR)データを使用し、ドッキングエリアをオフラインでマップする。 我々は、画像データを利用して、LiDARデータから潜在的に動く物体を検出し、フィルタリングする。 クローズ・ツー・ショア・トラッキングは正確なマップによって改善され、最近収集された実世界のデータセットで実証される。
• 参考スコア（独自算出の注目度）: 6.295105503781365
• License:
• Abstract: For an autonomous surface vessel (ASV) to dock, it must track other vessels close to the docking area. Kayaks present a particular challenge due to their proximity to the dock and relatively small size. Maritime target tracking has typically employed land masking to filter out land and the dock. However, imprecise land masking makes it difficult to track close-to-dock objects. Our approach uses Light Detection And Ranging (LiDAR) data and maps the docking area offline. The precise 3D measurements allow for precise map creation. However, the mapping could result in static, yet potentially moving, objects being mapped. We detect and filter out potentially moving objects from the LiDAR data by utilizing image data. The visual vessel detection and segmentation method is a neural network that is trained on our labeled data. Close-to-shore tracking improves with an accurate map and is demonstrated on a recently gathered real-world dataset. The dataset contains multiple sequences of a kayak and a day cruiser moving close to the dock, in a collision path with an autonomous ferry prototype.
• Abstract（参考訳）: 自律型表面容器(ASV)をドッキングするには、ドッキングエリアに近い他の容器を追跡する必要がある。 カヤックはドックに近接しており、比較的小さなサイズであるため、特別な課題を提起している。 海上目標追跡は通常、陸地とドックをフィルタリングするために陸地マスキングを使用している。 しかし、不正確な陸面マスキングは、接近する物体を追跡するのを困難にしている。 われわれのアプローチでは、光検出とラング(LiDAR)データを使用し、ドッキングエリアをオフラインでマップする。 正確な3D計測により、正確な地図作成が可能となる。 しかし、マッピングによって静的だが、潜在的に動くオブジェクトがマッピングされる可能性がある。 我々は、画像データを利用して、LiDARデータから潜在的に動く物体を検出し、フィルタリングする。 視覚的血管検出とセグメンテーション法は、ラベル付きデータに基づいてトレーニングされたニューラルネットワークである。 クローズ・ツー・ショア・トラッキングは正確なマップによって改善され、最近収集された実世界のデータセットで実証される。 このデータセットには、ドックの近くに移動するカヤックと日帰り巡洋艦の複数のシーケンスが含まれており、自律的なフェリープロトタイプとの衝突経路にある。

関連論文リスト

• Approximate Supervised Object Distance Estimation on Unmanned Surface Vehicles [12.59850892985157]
  教師付き物体検出を用いたUSVの近似距離推定のための新しい手法を提案する。 本稿では,物体検出モデルの一分野として,物体検出だけでなく,その距離をUSVから予測する手法を提案する。 ボート、ブイ、その他の水上危険物などの付近の物体にオペレーターを警告する海洋補助システムにその応用を実証する。
  論文  参考訳（メタデータ） (2025-01-09T20:34:36Z)
• GaussNav: Gaussian Splatting for Visual Navigation [92.13664084464514]
  インスタンスイメージゴールナビゲーション(IIN)では、エージェントが探索されていない環境で、目標画像に描かれた特定のオブジェクトを見つける必要がある。 視覚ナビゲーションのためのガウススティング(GaussNav)であるIINの新しいフレームワークを提案し、3次元ガウススティング(DGS)に基づく新しい地図表現を構築した。 当社のGaussNavフレームワークは,Habitat-Matterport 3D(HM3D)データセットにおいて,SPL(Path Length)によるSuccessの重み付けを0.347から0.578に増加させ,大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-03-18T09:56:48Z)
• Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D Object Detection [92.75961303269548]
  先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである 本稿では,両問題を一度に解決するGPENetを提案する。 我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
  論文  参考訳（メタデータ） (2022-11-03T02:21:35Z)
• Det6D: A Ground-Aware Full-Pose 3D Object Detector for Improving Terrain Robustness [1.4620086904601473]
  空間的・姿勢的制約を伴わない初の完全自由度3次元物体検出器であるDet6Dを提案する。 ピッチやロールを含む全方向のポーズを予測するために,地上認識方向分岐を設計する。 異なる地形における本手法の有効性とロバスト性について実験を行った。
  論文  参考訳（メタデータ） (2022-07-19T17:12:48Z)
• A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
  生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
  論文  参考訳（メタデータ） (2022-03-08T17:49:07Z)
• N-QGN: Navigation Map from a Monocular Camera using Quadtree Generating Networks [3.5901322003344225]
  本稿では,クワッドツリー表現に基づくナビゲーションマップを推定することにより,この問題に対処することを提案する。 目的は、障害物回避に不可欠な詳細のみを抽出する適応的な深度マップ予測を作成することである。 KITTIデータセットを用いた実験により,提案手法は精度を著しく低下させることなく,出力情報の量を大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-24T09:39:37Z)
• PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
  点雲は3次元座標における空間データの密集したコンパイルである。 我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-03T05:36:39Z)
• EagerMOT: 3D Multi-Object Tracking via Sensor Fusion [68.8204255655161]
  マルチオブジェクトトラッキング(MOT)により、移動ロボットは周囲の物体を3次元空間と時間で位置づけすることで、良好な動作計画とナビゲーションを行うことができる。 既存の方法は、深度センサー(例えばLiDAR)を使用して3D空間のターゲットを検出し追跡するが、信号の間隔が限られているため、検出範囲は限られている。 我々は,両方のセンサモダリティから利用可能な物体を全て統合し,シーンのダイナミックスを適切に解釈する簡易なトラッキング定式化であるeagermotを提案する。
  論文  参考訳（メタデータ） (2021-04-29T22:30:29Z)
• LayoutMP3D: Layout Annotation of Matterport3D [59.11106101006007]
  Matterport3Dデータセットは、当初提供されていた深度マップ基底真理と共に検討し、さらにMatterport3Dのサブセットからレイアウト基底真理のアノテーションを公開します。 私たちのデータセットはレイアウト情報と深度情報の両方を提供しており、両方のキューを統合することで環境を探索する機会を提供します。
  論文  参考訳（メタデータ） (2020-03-30T14:40:56Z)
• FGSD: A Dataset for Fine-Grained Ship Detection in High Resolution Satellite Images [22.883300168530035]
  高解像度リモートセンシング画像を用いた船舶検出は、海面規制に寄与する重要な課題である。 船舶検出研究の促進を目的として, FGSD と命名された, きめ細かな船舶検出データセットを新たに導入した。 このデータセットは、世界中の複数の大きな港からの船のサンプルを含む高解像度のリモートセンシング画像を集めている。
  論文  参考訳（メタデータ） (2020-03-15T13:54:20Z)

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。