Fugu-MT 論文翻訳(概要): Rethink 3D Object Detection from Physical World

論文の概要: Rethink 3D Object Detection from Physical World

arxiv url: http://arxiv.org/abs/2507.00190v1
Date: Mon, 30 Jun 2025 18:59:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-03 14:22:58.64401
Title: Rethink 3D Object Detection from Physical World
Title（参考訳）: 物理世界からの3次元物体検出の再考
Authors: Satoshi Tanaka, Koji Minoda, Fumiya Watanabe, Takamasa Horibe,
Abstract要約: 高速・低遅延3D物体検出は自律運転システムに不可欠である。従来の3次元物体検出の研究では、平均平均精度(mAP)と遅延に基づいて性能を評価することが多かった。本稿では,遅延対応AP(L-AP)と計画対応AP(P-AP)を新たな指標として導入し,リアルタイム3Dオブジェクト検出のより包括的な評価を行う。
参考スコア（独自算出の注目度）: 2.7186493234782527
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-accuracy and low-latency 3D object detection is essential for autonomous driving systems. While previous studies on 3D object detection often evaluate performance based on mean average precision (mAP) and latency, they typically fail to address the trade-off between speed and accuracy, such as 60.0 mAP at 100 ms vs 61.0 mAP at 500 ms. A quantitative assessment of the trade-offs between different hardware devices and accelerators remains unexplored, despite being critical for real-time applications. Furthermore, they overlook the impact on collision avoidance in motion planning, for example, 60.0 mAP leading to safer motion planning or 61.0 mAP leading to high-risk motion planning. In this paper, we introduce latency-aware AP (L-AP) and planning-aware AP (P-AP) as new metrics, which consider the physical world such as the concept of time and physical constraints, offering a more comprehensive evaluation for real-time 3D object detection. We demonstrate the effectiveness of our metrics for the entire autonomous driving system using nuPlan dataset, and evaluate 3D object detection models accounting for hardware differences and accelerators. We also develop a state-of-the-art performance model for real-time 3D object detection through latency-aware hyperparameter optimization (L-HPO) using our metrics. Additionally, we quantitatively demonstrate that the assumption "the more point clouds, the better the recognition performance" is incorrect for real-time applications and optimize both hardware and model selection using our metrics.
Abstract（参考訳）: 自律運転システムには高精度で低遅延の3D物体検出が不可欠である。従来の3Dオブジェクト検出では平均平均精度(mAP)とレイテンシに基づいてパフォーマンスを評価することが多かったが、500msでは60.0 mAP、500msでは61.0 mAPといったスピードと精度のトレードオフに対処できないことが多い。さらに、動き計画における衝突回避の影響を見落としており、例えば60.0 mAPはより安全な動き計画に、61.0 mAPは高リスクな動き計画に繋がる。本稿では,時間的制約の概念や物理的制約といった物理世界を考察し,リアルタイムな3Dオブジェクト検出のためのより包括的な評価を提供する,遅延対応AP(L-AP)と計画対応AP(P-AP)を新しい指標として紹介する。 nuPlanデータセットを用いた自動運転システム全体のメトリクスの有効性を実証し,ハードウェアの違いとアクセラレーションを考慮した3次元物体検出モデルの評価を行った。また,我々のメトリクスを用いた遅延認識ハイパーパラメータ最適化(L-HPO)によるリアルタイム3次元オブジェクト検出のための最先端性能モデルも開発した。さらに、リアルタイムアプリケーションでは「ポイントクラウドが多ければ多いほど、認識性能が良くなる」という仮定が正しくないことを定量的に示し、我々のメトリクスを使ってハードウェアとモデルの選択を最適化する。

関連論文リスト

CorrDiff: Adaptive Delay-aware Detector with Temporal Cue Inputs for Real-time Object Detection [11.714072240331518]
CorrDiffは、リアルタイム検出システムの遅延問題に対処するために設計された。複数の将来のフレームに対するオブジェクトの位置を予測するために、実行時推定の時間的キューを利用することができる。あらゆる種類のデバイスにおいて、厳格なリアルタイム処理要件を満たす。
論文参考訳（メタデータ） (2025-01-09T10:34:25Z)
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)
DECADE: Towards Designing Efficient-yet-Accurate Distance Estimation Modules for Collision Avoidance in Mobile Advanced Driver Assistance Systems [5.383130566626935]
本稿では,距離推定モデルであるDECADEについて述べる。これらのモジュールを任意の検出器にアタッチして物体検出を高速な距離推定で拡張できることを実証する。
論文参考訳（メタデータ） (2024-10-25T06:40:42Z)
CatFree3D: Category-agnostic 3D Object Detection with Diffusion [63.75470913278591]
本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
論文参考訳（メタデータ） (2024-08-22T22:05:57Z)
Towards Stable 3D Object Detection [64.49059005467817]
安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
論文参考訳（メタデータ） (2024-07-05T07:17:58Z)
oTTC: Object Time-to-Contact for Motion Estimation in Autonomous Driving [4.707950656037167]
自律運転システムは衝突を避け安全に運転するために物体検出に大きく依存しているモノクロ3Dオブジェクト検出器は、カメラ画像から3D境界ボックスと物体速度を直接予測することでこの問題を解決しようとする。最近の研究では、ピクセルごとの時間対接触を推定し、速度と深さの組み合わせよりも効果的に測定できることが示唆されている。オブジェクト検出モデルを拡張したオブジェクトごとの時間対接触推定を提案し,各オブジェクトの時間対接触属性を付加的に予測する。
論文参考訳（メタデータ） (2024-05-13T12:34:18Z)
Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and Outlook [19.539295469044813]
本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。我々の研究は、カメラのみ、LiDARのみ、マルチモーダルな3Dオブジェクト検出アルゴリズムを広範囲に調査し、精度、レイテンシ、堅牢性の間のトレードオフを徹底的に評価する。これらのうち、多モード3D検出手法は優れた堅牢性を示し、新しい分類法を導入し、文献を改良して明瞭性を高める。
論文参考訳（メタデータ） (2024-01-12T12:35:45Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文参考訳（メタデータ） (2021-04-23T17:59:28Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)

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。