論文の概要: FrustumFusionNets: A Three-Dimensional Object Detection Network Based on Tractor Road Scene

• arxiv url: http://arxiv.org/abs/2503.13951v1
• Date: Tue, 18 Mar 2025 06:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:41.172667
• Title: FrustumFusionNets: A Three-Dimensional Object Detection Network Based on Tractor Road Scene
• Title（参考訳）: FrustumFusionNets: トラクタ道路シーンに基づく3次元物体検出ネットワーク
• Authors: Lili Yang, Mengshuai Chang, Xiao Guo, Yuxin Feng, Yiwen Mei, Caicong Wu,
• Abstract要約: 複雑なトラクターの路面に80ラインのライトアンドラング(LiDAR)とカメラを用いた物体検出スイートを構築した。 ハイブリッド核融合型マルチオブジェクト、高精度でリアルタイムな3次元物体検出技術を提供する。 また,他のフラストラムに基づく3次元物体検出法と比較して,道路歩行者物体の検出において有意な優位性を示した。
• 参考スコア（独自算出の注目度）: 1.8686557327685456
• License:
• Abstract: To address the issues of the existing frustum-based methods' underutilization of image information in road three-dimensional object detection as well as the lack of research on agricultural scenes, we constructed an object detection dataset using an 80-line Light Detection And Ranging (LiDAR) and a camera in a complex tractor road scene and proposed a new network called FrustumFusionNets (FFNets). Initially, we utilize the results of image-based two-dimensional object detection to narrow down the search region in the three-dimensional space of the point cloud. Next, we introduce a Gaussian mask to enhance the point cloud information. Then, we extract the features from the frustum point cloud and the crop image using the point cloud feature extraction pipeline and the image feature extraction pipeline, respectively. Finally, we concatenate and fuse the data features from both modalities to achieve three-dimensional object detection. Experiments demonstrate that on the constructed test set of tractor road data, the FrustumFusionNetv2 achieves 82.28% and 95.68% accuracy in the three-dimensional object detection of the two main road objects, cars and people, respectively. This performance is 1.83% and 2.33% better than the original model. It offers a hybrid fusion-based multi-object, high-precision, real-time three-dimensional object detection technique for unmanned agricultural machines in tractor road scenarios. On the Karlsruhe Institute of Technology and Toyota Technological Institute (KITTI) Benchmark Suite validation set, the FrustumFusionNetv2 also demonstrates significant superiority in detecting road pedestrian objects compared with other frustum-based three-dimensional object detection methods.
• Abstract（参考訳）: 道路の3次元物体検出における画像情報の活用と農業シーンの研究の欠如に対処するため,複雑なトラクター道路シーンにおいて,80ラインの光検出・追跡(LiDAR)とカメラを用いた物体検出データセットを構築し,FrustumFusionNets (FFNets) と呼ばれる新しいネットワークを提案した。 まず、画像に基づく2次元物体検出の結果を用いて、点雲の3次元空間における探索領域を絞り込む。 次に,点雲情報を強化するためにガウスマスクを導入する。 そして, 点雲の特徴抽出パイプラインと画像特徴抽出パイプラインを用いて, フラストム点雲と収穫画像から特徴を抽出する。 最後に,2つのモダリティからデータ特徴を結合して融合し,三次元物体検出を実現する。 実験の結果,FrustumFusionNetv2は2つの幹線道路の3次元物体検出において,82.28%,95.68%の精度を達成した。 この性能は1.83%、オリジナルのモデルより2.33%向上した。 トラクタ道路シナリオにおける無人農業機械に対するハイブリッド核融合型多目的高精度リアルタイム3次元物体検出技術を提供する。 Karlsruhe Institute of Technology and Toyota Technological Institute (KITTI) Benchmark Suite Validation setにおいて、FrustumFusionNetv2は、他のフラストムベースの3次元物体検出方法と比較して、道路歩行者物体の検出において大きな優位性を示す。

関連論文リスト

• FusionViT: Hierarchical 3D Object Detection via LiDAR-Camera Vision Transformer Fusion [8.168523242105763]
  本稿では,新しい視覚変換器を用いた3次元物体検出モデルFusionViTを紹介する。 我々のFusionViTモデルは最先端の性能を達成でき、既存のベースライン法より優れています。
  論文  参考訳（メタデータ） (2023-11-07T00:12:01Z)
• Joint object detection and re-identification for 3D obstacle multi-camera systems [47.87501281561605]
  本研究は,カメラとライダー情報を用いた物体検出ネットワークに新たな改良を加えたものである。 同じ車両内の隣のカメラにまたがって物体を再識別する作業のために、追加のブランチが組み込まれている。 その結果,従来の非最大抑圧(NMS)技術よりも,この手法が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-09T15:16:35Z)
• DETR4D: Direct Multi-View 3D Object Detection with Sparse Attention [50.11672196146829]
  サラウンドビュー画像を用いた3次元物体検出は、自動運転にとって必須の課題である。 マルチビュー画像における3次元オブジェクト検出のためのスパースアテンションと直接特徴クエリを探索するトランスフォーマーベースのフレームワークであるDETR4Dを提案する。
  論文  参考訳（メタデータ） (2022-12-15T14:18:47Z)
• High-level camera-LiDAR fusion for 3D object detection with machine learning [0.0]
  本稿では,自律運転などの応用において重要な3次元物体検出問題に取り組む。 モノクロカメラとLiDARデータを組み合わせた機械学習パイプラインを使用して、動くプラットフォームの周囲の3D空間内の車両を検出する。 本結果は,検証セットに対して効率よく精度の高い推定を行い,全体の精度は87.1%となった。
  論文  参考訳（メタデータ） (2021-05-24T01:57:34Z)
• Robust 2D/3D Vehicle Parsing in CVIS [54.825777404511605]
  本研究では,協調型車両インフラシステム(CVIS)の一環として,異なるカメラビューの車両を堅牢に検出・認識する新しいアプローチを提案する。 提案方式は任意のカメラビュー向けに設計されており,本質的パラメータや外部的パラメータを仮定しない。 実際に,本手法は2次元検出,インスタンスセグメンテーション,6-DoFのポーズ推定においてSOTA法より優れている。
  論文  参考訳（メタデータ） (2021-03-11T03:35:05Z)
• Cross-Modality 3D Object Detection [63.29935886648709]
  本稿では,3次元物体検出のための新しい2段階多モード融合ネットワークを提案する。 アーキテクチャ全体が2段階の融合を促進する。 KITTIデータセットを用いた実験により,提案したマルチステージ融合により,ネットワークがより良い表現を学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-08-16T11:01:20Z)
• Stereo RGB and Deeper LIDAR Based Network for 3D Object Detection [40.34710686994996]
  3Dオブジェクト検出は、自動運転のシナリオにおいて新たな課題となっている。 以前の作業では、プロジェクションベースまたはボクセルベースのモデルを使用して3Dポイントクラウドを処理していた。 本稿では,意味情報と空間情報の同時利用が可能なStereo RGBおよびDeeper LIDARフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T11:19:24Z)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)
• ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection [69.68263074432224]
  ステレオ画像に基づく3D検出のためのZoomNetという新しいフレームワークを提案する。 ZoomNetのパイプラインは、通常の2Dオブジェクト検出モデルから始まり、左右のバウンディングボックスのペアを取得するために使用される。 さらに,RGB画像のテクスチャキューを多用し,より正確な異質度推定を行うため,適応ズームという概念的に真直ぐなモジュールを導入する。
  論文  参考訳（メタデータ） (2020-03-01T17:18:08Z)

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。