論文の概要: Simulation-Based Performance Evaluation of 3D Object Detection Methods with Deep Learning for a LiDAR Point Cloud Dataset in a SOTIF-related Use Case

• arxiv url: http://arxiv.org/abs/2503.03548v1
• Date: Wed, 05 Mar 2025 14:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:53.858132
• Title: Simulation-Based Performance Evaluation of 3D Object Detection Methods with Deep Learning for a LiDAR Point Cloud Dataset in a SOTIF-related Use Case
• Title（参考訳）: SOTIF関連症例におけるLiDAR点クラウドデータセットのディープラーニングによる3次元物体検出手法のシミュレーションによる性能評価
• Authors: Milin Patel, Rolf Jung,
• Abstract要約: Intended Functionality (SOTIF) の安全性は、センサー性能の限界とディープラーニングに基づく物体検出の欠如に対処する。 本稿では,LiDARポイントクラウドデータセット上での3次元オブジェクト検出手法の適用性と性能評価について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Safety of the Intended Functionality (SOTIF) addresses sensor performance limitations and deep learning-based object detection insufficiencies to ensure the intended functionality of Automated Driving Systems (ADS). This paper presents a methodology examining the adaptability and performance evaluation of the 3D object detection methods on a LiDAR point cloud dataset generated by simulating a SOTIF-related Use Case. The major contributions of this paper include defining and modelling a SOTIF-related Use Case with 21 diverse weather conditions and generating a LiDAR point cloud dataset suitable for application of 3D object detection methods. The dataset consists of 547 frames, encompassing clear, cloudy, rainy weather conditions, corresponding to different times of the day, including noon, sunset, and night. Employing MMDetection3D and OpenPCDET toolkits, the performance of State-of-the-Art (SOTA) 3D object detection methods is evaluated and compared by testing the pre-trained Deep Learning (DL) models on the generated dataset using Average Precision (AP) and Recall metrics.
• Abstract（参考訳）: Intended Functionality (SOTIF) の安全性は、自動運転システム(ADS)の意図した機能を保証するために、センサ性能の限界とディープラーニングに基づく物体検出の不足に対処する。 本稿では,SOTIF関連ユースケースをシミュレートしたLiDARポイントクラウドデータセット上での3Dオブジェクト検出手法の適用性と性能評価について検討する。 本論文の主な貢献は,21種類の気象条件を持つSOTIF関連ユースケースの定義とモデル化,および3次元物体検出手法の適用に適したLiDAR点クラウドデータセットの作成である。 データセットは547フレームで構成されており、正午、日没、夜を含む1日の異なる時間に対応して、澄んだ、曇り、雨の多い気象条件を包含している。 MMDetection3DおよびOpenPCDETツールキットを用いて、平均精度(AP)とリコールメトリクスを用いて、生成されたデータセット上で、事前学習されたディープラーニング(DL)モデルをテストすることにより、ステート・オブ・ザ・アート(SOTA)3Dオブジェクト検出手法の性能を評価し、比較する。

関連論文リスト

• Open-Set 3D object detection in LiDAR data as an Out-of-Distribution problem [6.131026007721572]
  LiDARデータからの3Dオブジェクト検出は,制御環境下での産業対応性能を実現している。 我々は,LiDARデータにおけるオープンセット3Dオブジェクト検出問題を,外部分布(OOD)問題として再定義し,外乱オブジェクトを検出する。
  論文  参考訳（メタデータ） (2024-10-31T09:29:55Z)
• VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
  モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。 本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-04-15T03:12:12Z)
• Enhancing Lidar-based Object Detection in Adverse Weather using Offset Sequences in Time [1.1725016312484975]
  ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。 本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
  論文  参考訳（メタデータ） (2024-01-17T08:31:58Z)
• Feature-based model selection for object detection from point cloud data [5.887969742827488]
  スマートモニタリングでは、車両や歩行者などの移動物体を検出するために、点雲データからの物体検出を行う。 複数のDL手法を用いて様々なディープラーニングモデルを作成する機能ベースのモデル選択フレームワークを提案する。 実環境で取得したポイントクラウドデータの特徴に応じて、オブジェクト検出タスクに最も適したDLモデルを選択する。
  論文  参考訳（メタデータ） (2022-09-26T05:03:59Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• A Survey of Robust 3D Object Detection Methods in Point Clouds [2.1655448059430222]
  本稿では,新しいデータ拡張手法,サンプリング戦略,アクティベーション機能,アテンション機構,正規化手法について述べる。 KITTI, nuScenes, およびデータセットを用いた新しい3Dオブジェクト検出器の評価を行った。 LiDARポイントクラウドにおける3Dオブジェクト検出の現在の課題について言及し、いくつかのオープンな問題をリストアップする。
  論文  参考訳（メタデータ） (2022-03-31T21:41:32Z)
• 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)
• Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
  3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。 近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:59:38Z)
• 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)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。