論文の概要: The City that Never Settles: Simulation-based LiDAR Dataset for Long-Term Place Recognition Under Extreme Structural Changes

• arxiv url: http://arxiv.org/abs/2505.05076v1
• Date: Thu, 08 May 2025 09:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.823029
• Title: The City that Never Settles: Simulation-based LiDAR Dataset for Long-Term Place Recognition Under Extreme Structural Changes
• Title（参考訳）: 定住しない都市:極端構造変化下における長期位置認識のためのシミュレーションベースLiDARデータセット
• Authors: Hyunho Song, Dongjae Lee, Seunghun Oh, Minwoo Jung, Ayoung Kim,
• Abstract要約: 大規模な建設と解体は、長期的な場所認識に大きく挑戦する。 既存のデータセットは、主に限定的または屋内的な変更を反映している。 CARLAシミュレータを用いて作成したシミュレーションベースのデータセットであるCity that Never Settlesデータセットを紹介する。
• 参考スコア（独自算出の注目度）: 12.113359511916446
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large-scale construction and demolition significantly challenge long-term place recognition (PR) by drastically reshaping urban and suburban environments. Existing datasets predominantly reflect limited or indoor-focused changes, failing to adequately represent extensive outdoor transformations. To bridge this gap, we introduce the City that Never Settles (CNS) dataset, a simulation-based dataset created using the CARLA simulator, capturing major structural changes-such as building construction and demolition-across diverse maps and sequences. Additionally, we propose TCR_sym, a symmetric version of the original TCR metric, enabling consistent measurement of structural changes irrespective of source-target ordering. Quantitative comparisons demonstrate that CNS encompasses more extensive transformations than current real-world benchmarks. Evaluations of state-of-the-art LiDAR-based PR methods on CNS reveal substantial performance degradation, underscoring the need for robust algorithms capable of handling significant environmental changes. Our dataset is available at https://github.com/Hyunho111/CNS_dataset.
• Abstract（参考訳）: 大規模建設と解体は、都市や郊外の環境を大きく変えることで、長期的場所認識(PR)に大きく挑戦する。 既存のデータセットは、主に限られたまたは屋内に焦点を絞った変化を反映しており、大規模な屋外変換を適切に表現することができない。 このギャップを埋めるために,我々は,CARLAシミュレータを用いて作成したシミュレーションベースのデータセットであるCity that Never Settles(CNS)データセットを紹介した。 さらに,元のTCR測定値の対称版であるTCR_symを提案する。 定量的比較は、CNSが現在の実世界のベンチマークよりも広範な変換を含んでいることを示している。 CNSにおける最先端のLiDARベースのPR手法の評価は、大幅な性能低下を示し、環境変化に対処できる堅牢なアルゴリズムの必要性を強調している。 データセットはhttps://github.com/Hyunho111/CNS_dataset.comから入手可能です。

関連論文リスト

• Reinforcement Learning with Euclidean Data Augmentation for State-Based Continuous Control [6.86255498856117]
  この研究は、RLエージェントが生のキネマティックとタスクの機能を直接観察できる状態ベースの制御に焦点を当てている。 我々は、回転のような変換の下でユークリッド対称性に基づいて、これらの特徴に適用される別のデータ拡張を考える。 この新たなユークリッドデータ拡張戦略は、広範囲な連続制御タスクにおいて、RLのデータ効率と性能の両方を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-10-16T19:25:30Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Never Train from Scratch: Fair Comparison of Long-Sequence Models Requires Data-Driven Priors [44.5740422079]
  標準的なデノベーション目的による事前トレーニングは、複数のアーキテクチャで劇的に向上することを示す。 先行研究とは対照的に、適切に事前訓練された場合の長距離アリーナでのS4の性能に適合するバニラトランスフォーマーが見つかる。
  論文  参考訳（メタデータ） (2023-10-04T17:17:06Z)
• Subspace-Configurable Networks [16.786433652213013]
  エッジデバイスのディープラーニングモデルは、知覚されたデータの動的変化に直面した場合、堅牢性に欠けることが多い。 本稿では,パラメータ設定のための最適なネットワークがサブスペースの一部であるネットワークのパラメータ化部分空間を訓練する。 得られた部分空間は低次元であり、入力の複素非可逆変換に対しても驚くほど単純な構造を持つ。
  論文  参考訳（メタデータ） (2023-05-22T23:19:45Z)
• Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
  局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。 ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
  論文  参考訳（メタデータ） (2023-03-29T12:28:01Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Retrieval and Localization with Observation Constraints [12.010135672015704]
  RLOCSと呼ばれる視覚的再局在化手法を提案する。 画像検索、意味整合性、幾何学的検証を組み合わせて正確な推定を行う。 本手法は, ローカライゼーションベンチマークにおいて多くの性能向上を実現している。
  論文  参考訳（メタデータ） (2021-08-19T06:14:33Z)
• Domain-invariant Similarity Activation Map Contrastive Learning for Retrieval-based Long-term Visual Localization [30.203072945001136]
  本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。 そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。 CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。 我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
  論文  参考訳（メタデータ） (2020-09-16T14:43:22Z)
• Rethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets [6.09170287691728]
  CNNのための高効率なビルディングブロックとして,ブループリント分離型畳み込み(BSConv)を導入する。 それらは、訓練されたモデルからカーネル特性の定量的解析によって動機付けられている。 我々のアプローチは、深く分離可能な畳み込みの適用のために、完全な理論的導出、解釈、正当化を提供する。
  論文  参考訳（メタデータ） (2020-03-30T15:23:27Z)

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。