論文の概要: An Investigation of Beam Density on LiDAR Object Detection Performance

• arxiv url: http://arxiv.org/abs/2503.15087v1
• Date: Wed, 19 Mar 2025 10:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:23:28.066737
• Title: An Investigation of Beam Density on LiDAR Object Detection Performance
• Title（参考訳）: LiDAR物体検出性能におけるビーム密度の検討
• Authors: Christoph Griesbacher, Christian Fruhwirth-Reisinger,
• Abstract要約: 3Dオブジェクト検出は、自動運転の重要なコンポーネントである。 トレーニングデータと推論データのバリエーションは、大幅なパフォーマンス低下を引き起こす可能性がある。 1つの重要な要素はビーム密度であり、スパースで費用対効果の高いLiDARセンサーの推測は現実世界の応用でしばしば好まれる。
• 参考スコア（独自算出の注目度）: 0.4972323953932129
• License:
• Abstract: Accurate 3D object detection is a critical component of autonomous driving, enabling vehicles to perceive their surroundings with precision and make informed decisions. LiDAR sensors, widely used for their ability to provide detailed 3D measurements, are key to achieving this capability. However, variations between training and inference data can cause significant performance drops when object detection models are employed in different sensor settings. One critical factor is beam density, as inference on sparse, cost-effective LiDAR sensors is often preferred in real-world applications. Despite previous work addressing the beam-density-induced domain gap, substantial knowledge gaps remain, particularly concerning dense 128-beam sensors in cross-domain scenarios. To gain better understanding of the impact of beam density on domain gaps, we conduct a comprehensive investigation that includes an evaluation of different object detection architectures. Our architecture evaluation reveals that combining voxel- and point-based approaches yields superior cross-domain performance by leveraging the strengths of both representations. Building on these findings, we analyze beam-density-induced domain gaps and argue that these domain gaps must be evaluated in conjunction with other domain shifts. Contrary to conventional beliefs, our experiments reveal that detectors benefit from training on denser data and exhibit robustness to beam density variations during inference.
• Abstract（参考訳）: 正確な3Dオブジェクト検出は、自動運転車にとって重要な要素であり、車両が周囲を正確に認識し、情報的な決定をすることができる。 詳細な3D計測を提供するために広く使われているLiDARセンサーは、この能力を達成するための鍵である。 しかしながら、トレーニングデータと推論データの違いは、異なるセンサー設定でオブジェクト検出モデルが使用される場合、大幅な性能低下を引き起こす可能性がある。 1つの重要な要素はビーム密度であり、スパースで費用対効果の高いLiDARセンサーの推測は現実世界の応用でしばしば好まれる。 ビーム密度によって引き起こされるドメインギャップに対処する以前の研究にもかかわらず、特にクロスドメインシナリオにおける128ビームの密度の高いセンサーに関して、かなりの知識ギャップが残っている。 ビーム密度が領域ギャップに与える影響をよりよく理解するために,異なる物体検出アーキテクチャの評価を含む包括的調査を行う。 アーキテクチャ評価の結果, ボクセルとポイントを併用することで, 両表現の強みを生かして, ドメイン間性能が向上することがわかった。 これらの知見に基づいて,ビーム密度による領域ギャップの解析を行い,これらの領域ギャップを他の領域シフトと併用して評価する必要があると主張している。 従来の信念とは対照的に,我々の実験では,検出器はより密度の高いデータのトレーニングの恩恵を受け,推論中にビーム密度の変動に頑健性を示す。

関連論文リスト

• Improving Generalization Ability for 3D Object Detection by Learning Sparsity-invariant Features [21.761631081209263]
  単一領域における3次元物体検出の一般化能力を向上させる手法を提案する。 1つのソースドメインから空間不変の特徴を学習するために、ソースデータを特定のビームに選択的にサブサンプリングする。 我々はまた、異なる点の雲の密度にBird’s Eye View機能を調整するために、教師学生のフレームワークも使用しています。
  論文  参考訳（メタデータ） (2025-02-04T13:47:02Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design [0.0]
  ベイズ最適実験設計(OED)は、不確実性を最適に低減できるデータ、センサーの構成、実験を特定することを目指している。 情報理論は、最適化問題として実験やセンサ配置の選択を定式化し、OEDを導出する。 本研究では,ベイジアンOEDをセンサネットワークの地震イベント検出能力の最適化に用いるために必要なフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-09-27T04:45:27Z)
• Density-Insensitive Unsupervised Domain Adaption on 3D Object Detection [19.703181080679176]
  ポイントクラウドからの3Dオブジェクト検出は、安全クリティカルな自動運転において不可欠である。 本稿では,密度依存性ドメインギャップに対処する密度依存性ドメイン適応フレームワークを提案する。 3つの広く採用されている3次元オブジェクト検出データセットの実験結果から,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-19T06:33:07Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• 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)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques [0.0]
  知覚システムは、車両の環境をリアルタイムで正確に解釈する上で重要な役割を果たす。 ディープラーニング技術は、センサーから大量のデータを意味情報に変換する。 3Dオブジェクト検出法は、LiDARやステレオカメラなどのセンサーから追加のポーズデータを利用することで、オブジェクトのサイズと位置に関する情報を提供する。
  論文  参考訳（メタデータ） (2022-02-05T09:34:58Z)
• Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
  本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。 実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。 その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
  論文  参考訳（メタデータ） (2021-06-21T16:35:49Z)

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。