論文の概要: Panoptic-CUDAL Technical Report: Rural Australia Point Cloud Dataset in Rainy Conditions
- arxiv url: http://arxiv.org/abs/2503.16378v1
- Date: Thu, 20 Mar 2025 17:41:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 15:30:52.526956
- Title: Panoptic-CUDAL Technical Report: Rural Australia Point Cloud Dataset in Rainy Conditions
- Title（参考訳）: Panoptic-CUDAL Technical Report: Rural Australia Point Cloud Dataset in Rainy Conditions
- Authors: Tzu-Yun Tseng, Alexey Nekrasov, Malcolm Burdorf, Bastian Leibe, Julie Stephany Berrio, Mao Shan, Stewart Worrall,
- Abstract要約: 雨天地におけるパノプティカルセグメンテーションを目的とした新しいデータセットであるPanoptic-CUDALデータセットについて紹介する。
高解像度のLiDAR、カメラ、ポーズデータを記録することで、Panoptic-CUDALは、挑戦的なシナリオにおいて、多種多様な情報豊富なデータセットを提供する。
本稿では、記録データの解析を行い、LiDAR点雲上でのパノプティクスおよびセマンティックセグメンテーション手法のベースライン結果を提供する。
- 参考スコア（独自算出の注目度）: 18.246913297418686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing autonomous driving datasets are predominantly oriented towards well-structured urban settings and favorable weather conditions, leaving the complexities of rural environments and adverse weather conditions largely unaddressed. Although some datasets encompass variations in weather and lighting, bad weather scenarios do not appear often. Rainfall can significantly impair sensor functionality, introducing noise and reflections in LiDAR and camera data and reducing the system's capabilities for reliable environmental perception and safe navigation. We introduce the Panoptic-CUDAL dataset, a novel dataset purpose-built for panoptic segmentation in rural areas subject to rain. By recording high-resolution LiDAR, camera, and pose data, Panoptic-CUDAL offers a diverse, information-rich dataset in a challenging scenario. We present analysis of the recorded data and provide baseline results for panoptic and semantic segmentation methods on LiDAR point clouds. The dataset can be found here: https://robotics.sydney.edu.au/our-research/intelligent-transportation-systems/
- Abstract（参考訳）: 既存の自律走行データセットは、よく構造化された都市環境と好適な気象条件に主に向けられており、農村環境と悪天候の複雑さは、ほとんど適応していない。
いくつかのデータセットは天候や照明のバリエーションを含んでいるが、悪天候のシナリオは頻繁に現れない。
降雨はセンサー機能を著しく損なう可能性があり、LiDARやカメラデータにノイズや反射を導入し、システムの信頼性の高い環境認識と安全なナビゲーション能力を減らすことができる。
雨天地におけるパノプティカルセグメンテーションを目的とした新しいデータセットであるPanoptic-CUDALデータセットについて紹介する。
高解像度のLiDAR、カメラ、ポーズデータを記録することで、Panoptic-CUDALは、挑戦的なシナリオにおいて、多種多様な情報豊富なデータセットを提供する。
本稿では、記録データの解析を行い、LiDAR点雲上でのパノプティクスおよびセマンティックセグメンテーション手法のベースライン結果を提供する。
データセットは以下の通りである。 https://robotics.sydney.edu.au/our-research/intelligent-transportation-systems/
関連論文リスト
- Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
既存の自動運転システムは、環境認識のためのセンサーに頼っている。
本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。
この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2025-12-07T14:40:49Z) - NDLPNet: A Location-Aware Nighttime Deraining Network and a Real-World Benchmark Dataset [8.582528726118023]
雨のストリークは夜間監視と自律航法の性能を阻害する。
我々は、NDLPNet(Nighttime Deraining Location-enhanced Perceptual Network)を提案する。
NDLPNetは、低照度環境における降雨ストリークの空間的位置情報と密度分布をキャプチャする。
論文 参考訳（メタデータ） (2025-09-17T07:24:47Z) - Advancing Real-World Parking Slot Detection with Large-Scale Dataset and Semi-Supervised Baseline [65.25540269603553]
本研究では,駐車環境を包括的に観察するサラウンドビューカメラを用いた駐車スロット検出に焦点を当てた。
まず,大規模駐車スロット検出データセット(CRPS-D)を構築した。
SS-PSDと呼ばれる駐車スロット検出のための半教師付きベースラインを開発し、ラベルのないデータを活用することにより、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2025-09-16T14:50:19Z) - REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining [0.5668912212306543]
我々は,3Dポイント・クラウド・デレイニングにおける研究の進展を促進するため,大規模で多モードの降雨データセットREHEARSE-3Dを新たにリリースした。
第一に、4D Radar点雲に富む高解像度のLiDARデータを持つ唯一のデータセットである。
We benchmark raindrop detection and removal in fused LiDAR and 4D Radar point clouds。
論文 参考訳（メタデータ） (2025-04-30T14:43:38Z) - Adver-City: Open-Source Multi-Modal Dataset for Collaborative Perception Under Adverse Weather Conditions [1.4963011898406866]
逆気象条件は、自律走行車の普及に重大な課題をもたらす。
本稿では,悪天候に着目した初のオープンソース総合コラボレーション知覚データセットであるAdver-Cityを紹介する。
24万フレーム、890万アノテーション、および6つの異なる気象条件にまたがる110のシナリオを含んでいる。
論文 参考訳（メタデータ） (2024-10-08T21:26:22Z) - SCOPE: A Synthetic Multi-Modal Dataset for Collective Perception Including Physical-Correct Weather Conditions [0.5026434955540995]
SCOPEは、現実的なカメラとLiDARモデル、パラメータ化および物理的に正確な気象シミュレーションを組み込んだ最初の合成マルチモーダルデータセットである。
データセットには、40以上のシナリオから17,600フレームが含まれており、最大24の協調エージェント、インフラセンサー、自転車や歩行者を含む受動的トラフィックが含まれている。
論文 参考訳（メタデータ） (2024-08-06T09:35:50Z) - SemanticSpray++: A Multimodal Dataset for Autonomous Driving in Wet Surface Conditions [10.306226508237348]
SemanticSpray++データセットは、湿った表面条件下でのハイウェイのようなシナリオのカメラ、LiDAR、レーダーデータのためのラベルを提供する。
3つのセンサーのモダリティをラベル付けすることで、データセットは、異なる知覚方法のパフォーマンスを分析するための包括的なテストベッドを提供する。
論文 参考訳（メタデータ） (2024-06-14T11:46:48Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。
我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。
意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
論文 参考訳（メタデータ） (2023-12-14T18:58:52Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Ithaca365: Dataset and Driving Perception under Repeated and Challenging
Weather Conditions [0.0]
我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。
データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。
道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
論文 参考訳（メタデータ） (2022-08-01T22:55:32Z) - VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale
Outdoor Environments [49.82314641876602]
VPAIRという新しいデータセットを提示します。
データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。
このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
論文 参考訳（メタデータ） (2022-05-23T18:50:08Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - 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) - 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous
Driving [48.588254700810474]
本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。
その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
論文 参考訳（メタデータ） (2020-09-14T12:31:20Z) - Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver
Gaze Zone Estimation Dataset [55.391532084304494]
ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。
ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
論文 参考訳（メタデータ） (2020-04-13T14:47:34Z)
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。