論文の概要: DenoiseCP-Net: Efficient Collective Perception in Adverse Weather via Joint LiDAR-Based 3D Object Detection and Denoising

• arxiv url: http://arxiv.org/abs/2507.06976v1
• Date: Wed, 09 Jul 2025 16:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.659748
• Title: DenoiseCP-Net: Efficient Collective Perception in Adverse Weather via Joint LiDAR-Based 3D Object Detection and Denoising
• Title（参考訳）: DenoiseCP-Net:ジョイントLiDARを用いた3次元物体検出・復調による逆気象における効率的な集団知覚
• Authors: Sven Teufel, Dominique Mayer, Jörg Gamerdinger, Oliver Bringmann,
• Abstract要約: 各種気象条件下でのLiDARに基づく集団認識の最初の研究を行う。 悪天候下でのLiDARに基づく集団認識のための新しいマルチタスクアーキテクチャを提案する。 DenoiseCP-Netは、ボクセルレベルのノイズフィルタリングとオブジェクト検出を統一されたスパースバックボーンに統合する。
• 参考スコア（独自算出の注目度）: 0.5714074111744111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While automated vehicles hold the potential to significantly reduce traffic accidents, their perception systems remain vulnerable to sensor degradation caused by adverse weather and environmental occlusions. Collective perception, which enables vehicles to share information, offers a promising approach to overcoming these limitations. However, to this date collective perception in adverse weather is mostly unstudied. Therefore, we conduct the first study of LiDAR-based collective perception under diverse weather conditions and present a novel multi-task architecture for LiDAR-based collective perception under adverse weather. Adverse weather conditions can not only degrade perception capabilities, but also negatively affect bandwidth requirements and latency due to the introduced noise that is also transmitted and processed. Denoising prior to communication can effectively mitigate these issues. Therefore, we propose DenoiseCP-Net, a novel multi-task architecture for LiDAR-based collective perception under adverse weather conditions. DenoiseCP-Net integrates voxel-level noise filtering and object detection into a unified sparse convolution backbone, eliminating redundant computations associated with two-stage pipelines. This design not only reduces inference latency and computational cost but also minimizes communication overhead by removing non-informative noise. We extended the well-known OPV2V dataset by simulating rain, snow, and fog using our realistic weather simulation models. We demonstrate that DenoiseCP-Net achieves near-perfect denoising accuracy in adverse weather, reduces the bandwidth requirements by up to 23.6% while maintaining the same detection accuracy and reducing the inference latency for cooperative vehicles.
• Abstract（参考訳）: 自動走行車は交通事故を著しく減少させる可能性を秘めているが、その認識システムは悪天候や環境汚染によるセンサー劣化に弱いままである。 車両が情報を共有できる集合認識は、これらの制限を克服するための有望なアプローチを提供する。 しかし、この日までに悪天候における集団的な認識はほとんど研究されていない。 そこで, 各種気象条件下でのLiDARに基づく集団認識の最初の研究を行い, 悪天候下でのLiDARに基づく集団認識のための新しいマルチタスクアーキテクチャを提案する。 逆気象条件は、知覚能力を低下させるだけでなく、同時に送信・処理されるノイズによって帯域幅の要求や遅延に悪影響を及ぼす。 コミュニケーションの前にノイズを発生させることは、これらの問題を効果的に軽減することができる。 そこで,気象条件下でのLiDARに基づく集団認識のための新しいマルチタスクアーキテクチャであるDenoiseCP-Netを提案する。 DenoiseCP-Netは、ボクセルレベルのノイズフィルタリングとオブジェクト検出を統一されたスパース畳み込みバックボーンに統合し、2段階パイプラインに関連する冗長な計算を排除している。 この設計は、推論遅延と計算コストを低減させるだけでなく、非形式的ノイズを除去することで通信オーバーヘッドを最小限にする。 我々は、雨、雪、霧を現実的な気象シミュレーションモデルを用いてシミュレートすることで、よく知られたPV2Vデータセットを拡張した。 DenoiseCP-Netは、悪天候下でほぼ完璧なデノケーション精度を実現し、同じ検出精度を維持しながら帯域幅を最大23.6%削減し、協調車両の推論遅延を低減できることを示した。

関連論文リスト

• TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [6.752848431431841]
  雨、霧、雪などの実際の悪天候は、大きな騒音と干渉をもたらす。 既存のデータセットは、限られた天候の多様性と小さなデータセットサイズに悩まされることが多い。 3つのミキサー層からなる新しいポイントクラウドデノナイズモデルTripleMixerを提案する。
  論文  参考訳（メタデータ） (2024-08-25T10:45:52Z)
• Survey on LiDAR Perception in Adverse Weather Conditions [6.317642241067219]
  アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができる。 霧、雪、雨などの悪天候条件下でのLiDARの性能は変化する。 我々は、適切なデータの提供、生の点クラウド処理とデノイング、ロバストな認識アルゴリズム、悪天候による欠点を軽減するためのセンサ融合といったトピックに対処する。
  論文  参考訳（メタデータ） (2023-04-13T07:45:23Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• 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)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。