論文の概要: The Impact of 2D Segmentation Backbones on Point Cloud Predictions Using 4D Radar

• arxiv url: http://arxiv.org/abs/2509.19644v1
• Date: Tue, 23 Sep 2025 23:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.635845
• Title: The Impact of 2D Segmentation Backbones on Point Cloud Predictions Using 4D Radar
• Title（参考訳）: 4次元レーダを用いた点雲予測における2次元分割バックボーンの影響
• Authors: William L. Muckelroy III, Mohammed Alsakabi, John M. Dolan, Ozan K. Tonguz,
• Abstract要約: 生成点雲の品質に及ぼす高容量セグメンテーションバックボーンの影響について検討した。 以上の結果から,高容量モデルが実際に性能を損なう可能性があるのに対して,最適セグメンテーションバックボーンは最先端(SOTA)よりも23.7%改善できることがわかった。
• 参考スコア（独自算出の注目度）: 15.456760941404873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR's dense, sharp point cloud (PC) representations of the surrounding environment enable accurate perception and significantly improve road safety by offering greater scene awareness and understanding. However, LiDAR's high cost continues to restrict the broad adoption of high-level Autonomous Driving (AD) systems in commercially available vehicles. Prior research has shown progress towards circumventing the need for LiDAR by training a neural network, using LiDAR point clouds as ground truth (GT), to produce LiDAR-like 3D point clouds using only 4D Radars. One of the best examples is a neural network created to train a more efficient radar target detector with a modular 2D convolutional neural network (CNN) backbone and a temporal coherence network at its core that uses the RaDelft dataset for training (see arXiv:2406.04723). In this work, we investigate the impact of higher-capacity segmentation backbones on the quality of the produced point clouds. Our results show that while very high-capacity models may actually hurt performance, an optimal segmentation backbone can provide a 23.7% improvement over the state-of-the-art (SOTA).
• Abstract（参考訳）: LiDARの周囲環境の高密度で鋭い点雲(PC)表現は、より深いシーン認識と理解を提供することで、正確な認識を可能にし、道路安全を大幅に改善する。 しかし、LiDARの高コストは、商用車に高レベル自律運転(AD)システムを広く採用することを制限し続けている。 以前の研究では、ニューラルネットワークをトレーニングすることでLiDARの必要性を回避し、LDARポイントクラウドを基底真実(GT)として使用し、4Dレーダのみを使用してLiDARライクな3Dポイントクラウドを生成する方法が示されている。 好例の1つは、より効率的なレーダー目標検出器を、モジュラー2D畳み込みニューラルネットワーク(CNN)のバックボーンと、トレーニングにRaDelftデータセットを使用する時間的コヒーレンスネットワークでトレーニングするために作られたニューラルネットワークである(arXiv:2406.04723)。 本研究では,高容量セグメンテーションバックボーンが生成点雲の品質に及ぼす影響について検討する。 その結果,高容量モデルが実際に性能を損なう可能性がある一方で,最適セグメンテーションバックボーンは最先端(SOTA)よりも23.7%改善できることがわかった。

関連論文リスト

• R2LDM: An Efficient 4D Radar Super-Resolution Framework Leveraging Diffusion Model [7.576799123793451]
  R2LDMは高密度かつ高精度な4次元レーダーポイント雲を生成する革新的な手法である。 レンジ画像や鳥の目視(BEV)画像を利用する代わりに、ボクセル特徴を用いてLiDARと4Dレーダポイントの雲を表現します。 R2LDMは、ペアの生レーダーデータからLiDARのような点雲を効果的に生成する。
  論文  参考訳（メタデータ） (2025-03-21T12:30:33Z)
• Enhanced 3D Object Detection via Diverse Feature Representations of 4D Radar Tensor [5.038148262901536]
  Raw 4D Radar (4DRT) は従来の点雲よりも豊かな空間情報とドップラー情報を提供する。 効率を保ちつつ、4DRTの有用性を最大化する新しい3Dオブジェクト検出フレームワークを提案する。 本稿では, RTNHモデルよりもAP_3Dが7.3%, AP_BEVが9.5%向上したことを示す。
  論文  参考訳（メタデータ） (2025-02-10T02:48:56Z)
• RadarPillars: Efficient Object Detection from 4D Radar Point Clouds [42.9356088038035]
  本稿では,柱型物体検出ネットワークRadarPillarsを提案する。 放射速度データを分解することにより、RadarPillarsは、View-of-Delftデータセットの最先端検出結果を大幅に上回る。 これはパラメータ数を大幅に削減し、既存のメソッドを効率面で上回り、エッジデバイス上でのリアルタイムパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T12:13:38Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• LiDAR-based 4D Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,両タスクの現在の最先端手法よりも優れた精度を実現する。 DS-Netを4次元パノプティカルLiDARセグメンテーションに拡張し、一列のLiDARフレーム上で時間的に統一されたインスタンスクラスタリングを行う。
  論文  参考訳（メタデータ） (2022-03-14T15:25:42Z)
• PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
  点雲は3次元座標における空間データの密集したコンパイルである。 我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-03T05:36:39Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。