論文の概要: ResLPR: A LiDAR Data Restoration Network and Benchmark for Robust Place Recognition Against Weather Corruptions

• arxiv url: http://arxiv.org/abs/2503.12350v1
• Date: Sun, 16 Mar 2025 04:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:31:11.683415
• Title: ResLPR: A LiDAR Data Restoration Network and Benchmark for Robust Place Recognition Against Weather Corruptions
• Title（参考訳）: ResLPR:LiDARデータ復元ネットワークと気象災害に対するロバストな位置認識のためのベンチマーク
• Authors: Wenqing Kuang, Xiongwei Zhao, Yehui Shen, Congcong Wen, Huimin Lu, Zongtan Zhou, Xieyuanli Chen,
• Abstract要約: ResLPRは, 積雪, 霧, 降雨条件によって誘導される広範囲なLiDAR歪みの下でSOTA LPR法を検証した新しいベンチマークである。 気象シナリオに対する複数のLPR手法を用いて, 回復法を用いて, レジリエンスと顕著な利得を実証した。
• 参考スコア（独自算出の注目度）: 9.900672912257313
• License:
• Abstract: LiDAR-based place recognition (LPR) is a key component for autonomous driving, and its resilience to environmental corruption is critical for safety in high-stakes applications. While state-of-the-art (SOTA) LPR methods perform well in clean weather, they still struggle with weather-induced corruption commonly encountered in driving scenarios. To tackle this, we propose ResLPRNet, a novel LiDAR data restoration network that largely enhances LPR performance under adverse weather by restoring corrupted LiDAR scans using a wavelet transform-based network. ResLPRNet is efficient, lightweight and can be integrated plug-and-play with pretrained LPR models without substantial additional computational cost. Given the lack of LPR datasets under adverse weather, we introduce ResLPR, a novel benchmark that examines SOTA LPR methods under a wide range of LiDAR distortions induced by severe snow, fog, and rain conditions. Experiments on our proposed WeatherKITTI and WeatherNCLT datasets demonstrate the resilience and notable gains achieved by using our restoration method with multiple LPR approaches in challenging weather scenarios. Our code and benchmark are publicly available here: https://github.com/nubot-nudt/ResLPR.
• Abstract（参考訳）: LiDARをベースとした位置認識(LPR)は自動運転の重要な要素であり、環境破壊に対するレジリエンスは、ハイテイクなアプリケーションにおける安全性に不可欠である。 最先端(SOTA)のLPR法はクリーンな天候下では良好に機能するが、運転シナリオでよく見られる気象による腐敗に苦慮している。 そこで本研究では、ウェーブレット変換ネットワークを用いて、劣化したLiDARスキャンを復元することにより、悪天候下でLPR性能を大幅に向上する新しいLiDARデータ復元ネットワークであるResLPRNetを提案する。 ResLPRNetは効率的で軽量であり、プリトレーニング済みのLPRモデルとプラグイン・アンド・プレイを統合することができる。 悪天候下でのLPRデータセットの欠如を踏まえ, 降雪, 霧, 降雨条件によって誘導される幅広いLiDAR歪みの下でSOTA LPR法を検証した新しいベンチマークであるResLPRを紹介する。 提案したWeatherKITTIおよびWeatherNCLTデータセットを用いた実験では,複数のLPR手法を用いて気象シナリオに挑戦することで,回復のレジリエンスと顕著な利益を実証した。 私たちのコードとベンチマークは、https://github.com/nubot-nudt/ResLPR.comで公開されています。

関連論文リスト

• Dynamic Low-Rank Sparse Adaptation for Large Language Models [54.1231638555233]
  Low-rank Sparse Adaptation (LoSA)は、低ランク適応をsparse LLM sparsityにシームレスに統合する新しい手法である。 LoSAは、微調整中に対応するスパース重みに基づいてLoRA結果を動的に分散する。 LoSAは、追加の推論負荷を伴わずに、スパースLSMの有効性を数時間で効果的に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-20T18:37:32Z)
• Low-rank Adaptation-based All-Weather Removal for Autonomous Navigation [29.309503214127016]
  オールウェザー画像復元(AWIR)は、悪天候下での信頼性の高い自律航法に不可欠である。 AWIRモデルは、霧、雨、雪などの特定の気象条件に対応するために訓練されている。 そこで我々はLoRA (Lo-Rank Adaptation) を用いて、事前訓練された全天候モデルを新しい気象復旧タスクに効果的に適用することを提案する。
  論文  参考訳（メタデータ） (2024-11-26T19:01:11Z)
• Online-LoRA: Task-free Online Continual Learning via Low Rank Adaptation [10.513939079770322]
  オンライン連続学習(OCL)における破滅的忘れ込みは重要な課題である Online-LoRAは、トレーニング済みのビジョントランスフォーマー(ViT)モデルをリアルタイムで微調整することができる。 提案手法は,重要なモデルパラメータを同定・統合するための新しいオンライン重み正規化戦略を特徴とする。
  論文  参考訳（メタデータ） (2024-11-08T16:04:16Z)
• Real-Time Recurrent Learning using Trace Units in Reinforcement Learning [27.250024431890477]
  リカレントニューラルネットワーク(RNN)は、部分的に観測可能な環境で表現を学ぶために使用される。 オンラインで学び、環境と継続的に交流するエージェントにとって、リアルタイム反復学習(RTRL)でRNNを訓練することが望ましい。 これらの洞察に基づいて、オンラインRLでRNNをトレーニングするための軽量で効果的なアプローチを提供します。
  論文  参考訳（メタデータ） (2024-09-02T20:08:23Z)
• Recall, Retrieve and Reason: Towards Better In-Context Relation Extraction [11.535892987373947]
  関係抽出(RE)は、テキストで言及されたエンティティ間の関係を特定することを目的としている。 大規模言語モデル(LLM)は、様々なタスクにおいて、コンテキスト内学習能力を印象的に示している。 LLMは、ほとんどの教師付き細調整RE法と比較して性能が劣る。
  論文  参考訳（メタデータ） (2024-04-27T07:12:52Z)
• Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
  本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。 これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。 提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-22T10:10:25Z)
• Re-ReND: Real-time Rendering of NeRFs across Devices [56.081995086924216]
  Re-ReNDは、NeRFを標準グラフィックスパイプラインで効率的に処理できる表現に変換することで、リアルタイムのパフォーマンスを実現するように設計されている。 Re-ReNDはレンダリング速度が2.6倍に向上し、最先端技術では品質が損なわれることなく達成できることがわかった。
  論文  参考訳（メタデータ） (2023-03-15T15:59:41Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• When does return-conditioned supervised learning work for offline reinforcement learning? [51.899892382786526]
  本研究では,リターン条件付き教師あり学習の能力と限界について検討する。 RCSLは、より伝統的な動的プログラミングベースのアルゴリズムに必要なものよりも強い仮定のセットで最適なポリシーを返す。
  論文  参考訳（メタデータ） (2022-06-02T15:05:42Z)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)
• Critic Regularized Regression [70.8487887738354]
  批判正規化回帰(CRR)形式を用いてデータからポリシーを学習するための新しいオフラインRLアルゴリズムを提案する。 CRRは驚くほどよく動作し、高次元の状態と行動空間を持つタスクにスケールする。
  論文  参考訳（メタデータ） (2020-06-26T17:50:26Z)

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。