論文の概要: HIF: Height Interval Filtering for Efficient Dynamic Points Removal
- arxiv url: http://arxiv.org/abs/2503.06863v1
- Date: Mon, 10 Mar 2025 02:40:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:46:06.253228
- Title: HIF: Height Interval Filtering for Efficient Dynamic Points Removal
- Title（参考訳）: HIF:効率的な動的点除去のための高さ間隔フィルタ
- Authors: Shufang Zhang, Tao Jiang, Jiazheng Wu, Ziyu Meng, Ziyang Zhang, Shan An,
- Abstract要約: 動的オブジェクトの削除は、動的シナリオ内のポイントクラウドベースのマップ構築において重要な課題となっている。
しかし、既存のアプローチはしばしば計算オーバーヘッドが大きくなり、リアルタイム処理の要求を満たすことは困難である。
本研究では,垂直次元を確率的にモデル化するための柱型高さ間隔表現を構成するハイトインターバルフィルタ(HIF)手法を提案する。
公開データセットの実験では、HIFは既存のSOTAメソッドと同等の精度で、時間効率を7.7倍改善することを示した。
- 参考スコア（独自算出の注目度）: 15.084345581223287
- License:
- Abstract: 3D point cloud mapping plays a essential role in localization and autonomous navigation. However, dynamic objects often leave residual traces during the map construction process, which undermine the performance of subsequent tasks. Therefore, dynamic object removal has become a critical challenge in point cloud based map construction within dynamic scenarios. Existing approaches, however, often incur significant computational overhead, making it difficult to meet the real-time processing requirements. To address this issue, we introduce the Height Interval Filtering (HIF) method. This approach constructs pillar-based height interval representations to probabilistically model the vertical dimension, with interval probabilities updated through Bayesian inference. It ensures real-time performance while achieving high accuracy and improving robustness in complex environments. Additionally, we propose a low-height preservation strategy that enhances the detection of unknown spaces, reducing misclassification in areas blocked by obstacles (occluded regions). Experiments on public datasets demonstrate that HIF delivers a 7.7 times improvement in time efficiency with comparable accuracy to existing SOTA methods. The code will be publicly available.
- Abstract（参考訳）: 3Dポイントのクラウドマッピングは、ローカライゼーションと自律ナビゲーションにおいて重要な役割を果たす。
しかし、動的オブジェクトはしばしばマップ構築プロセス中に残留トレースを残し、その後のタスクのパフォーマンスを損なう。
そのため、動的シナリオ内のポイントクラウドベースのマップ構築において、動的オブジェクトの削除が重要な課題となっている。
しかし、既存のアプローチはしばしば計算オーバーヘッドが大きくなり、リアルタイム処理の要求を満たすことは困難である。
この問題に対処するため,Hight Interval Filtering (HIF) 法を提案する。
このアプローチは、柱に基づく高さ間隔表現を構築し、ベイズ推定によって間隔確率が更新される垂直次元を確率的にモデル化する。
複雑な環境で高い精度と堅牢性を確保しながら、リアルタイムのパフォーマンスを保証する。
さらに,未知空間の検出を促進し,障害物(閉鎖領域)によってブロックされた領域の誤分類を低減する,低高度保存戦略を提案する。
公開データセットの実験では、HIFは既存のSOTAメソッドと同等の精度で、時間効率を7.7倍改善することを示した。
コードは公開されます。
関連論文リスト
- ERASOR++: Height Coding Plus Egocentric Ratio Based Dynamic Object
Removal for Static Point Cloud Mapping [5.056432027978704]
3Dポイントクラウドマップの動的オブジェクトは、地図歪みと長いトレースを導入することができる。
本研究では,Pseudo OccupancyのEgocentric Ratioに基づく動的オブジェクトの効率的な除去手法であるERASOR++を提案する。
提案手法は既存の手法と比較して精度と効率の点で優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-08T03:45:04Z) - Regularizing Self-supervised 3D Scene Flows with Surface Awareness and Cyclic Consistency [3.124750429062221]
2つの新たな一貫性損失を導入し、クラスタを拡大し、異なるオブジェクトに分散するのを防ぐ。
提案した損失はモデル独立であり、既存のモデルの性能を大幅に向上させるためにプラグアンドプレイ方式で使用できる。
また,4つの標準センサ一様駆動データセット上で,フレームワークの有効性と一般化能力を示す。
論文 参考訳（メタデータ） (2023-12-12T11:00:39Z) - Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。
本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。
実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
論文 参考訳（メタデータ） (2023-09-11T16:17:50Z) - Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
マルチ時間スケールの特徴空間における行動を予測することを提案する。
具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。
提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
論文 参考訳（メタデータ） (2022-08-16T01:48:23Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳（メタデータ） (2022-03-22T10:14:08Z) - LocATe: End-to-end Localization of Actions in 3D with Transformers [91.28982770522329]
LocATeは、3Dシーケンスでアクションを共同でローカライズし認識するエンドツーエンドのアプローチである。
画像やパッチの特徴を入力として考えるトランスフォーマーベースのオブジェクト検出や分類モデルとは異なり、LocATeのトランスフォーマーモデルはシーケンス内のアクション間の長期的な相関をキャプチャすることができる。
BABEL-TAL-20 (BT20) という新しい,挑戦的で,より現実的なベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2022-03-21T03:35:32Z) - Towards High-Quality Temporal Action Detection with Sparse Proposals [14.923321325749196]
時間的アクション検出は、人間のアクションインスタンスを含む時間的セグメントをローカライズし、アクションカテゴリを予測することを目的としている。
階層的特徴と相互作用するためにスパース提案を導入する。
実験により,高いtIoU閾値下での本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-09-18T06:15:19Z) - ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object
Removal for Static 3D Point Cloud Map Building [0.1474723404975345]
本稿では,pSeudo Occupancy-based dynamic object Removal の ERASOR, Egocentric RAtio という新しい静的マップ構築手法を提案する。
私たちのアプローチは、必然的に地面と接触している都市環境における最もダイナミックなオブジェクトの性質にその注意を向けます。
論文 参考訳（メタデータ） (2021-03-07T10:29:07Z) - SCFusion: Real-time Incremental Scene Reconstruction with Semantic
Completion [86.77318031029404]
本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。
我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
論文 参考訳（メタデータ） (2020-10-26T15:31:52Z) - Learning Consistency Pursued Correlation Filters for Real-Time UAV
Tracking [12.292672531693794]
本研究は,動的整合性追従相関フィルタ,すなわちCPCFトラッカーを用いた新しい手法を提案する。
実用的な理想整合写像とスケジュールされた理想整合写像との差を最小化することにより、整合度は時間的滑らかさを維持するために制約される。
提案されたトラッカーは、1つのCPU上でのリアルタイムランニング速度(sim$43FPS)の他の25の最先端トラッカーを好んで上回っている。
論文 参考訳（メタデータ） (2020-08-09T10:22:52Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z)
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。