論文の概要: GBlobs: Local LiDAR Geometry for Improved Sensor Placement Generalization

• arxiv url: http://arxiv.org/abs/2510.18539v1
• Date: Tue, 21 Oct 2025 11:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.448791
• Title: GBlobs: Local LiDAR Geometry for Improved Sensor Placement Generalization
• Title（参考訳）: GBlobs: センサ配置の一般化を改善するローカルLiDAR幾何学
• Authors: Dušan Malić, Christian Fruhwirth-Reisinger, Alexander Prutsch, Wei Lin, Samuel Schulter, Horst Possegger,
• Abstract要約: 本報告では,RoboSense 2025の上位ソリューションについて概説する。 各種センサ配置下での3次元物体検出における最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 58.36712538433696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This technical report outlines the top-ranking solution for RoboSense 2025: Track 3, achieving state-of-the-art performance on 3D object detection under various sensor placements. Our submission utilizes GBlobs, a local point cloud feature descriptor specifically designed to enhance model generalization across diverse LiDAR configurations. Current LiDAR-based 3D detectors often suffer from a \enquote{geometric shortcut} when trained on conventional global features (\ie, absolute Cartesian coordinates). This introduces a position bias that causes models to primarily rely on absolute object position rather than distinguishing shape and appearance characteristics. Although effective for in-domain data, this shortcut severely limits generalization when encountering different point distributions, such as those resulting from varying sensor placements. By using GBlobs as network input features, we effectively circumvent this geometric shortcut, compelling the network to learn robust, object-centric representations. This approach significantly enhances the model's ability to generalize, resulting in the exceptional performance demonstrated in this challenge.
• Abstract（参考訳）: この技術レポートは、RoboSense 2025の上位ソリューションを概説している。 本提案では,多種多様なLiDAR構成におけるモデル一般化の促進を目的としたローカルポイントクラウド機能記述子であるGBlobsを利用する。 現行のLiDARベースの3D検出器は、従来のグローバルな特徴(絶対カルテシアン座標)に基づいて訓練された場合、しばしば'enquote{geometric shortcut'に悩まされる。 これは、モデルが形状や外観の特徴を区別するのではなく、主に絶対的な物体の位置に依存するような位置バイアスをもたらす。 ドメイン内のデータに対して有効であるが、このショートカットは、様々なセンサー配置によって生じるような、異なる点分布に遭遇する際の一般化を著しく制限する。 ネットワーク入力機能としてGBlobsを使用することで、この幾何学的ショートカットを効果的に回避し、堅牢でオブジェクト中心の表現を学習するようにネットワークを説得する。 このアプローチはモデルを一般化する能力を大幅に向上させ、この課題で実証された例外的なパフォーマンスをもたらす。

関連論文リスト

• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
  本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。 具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。 これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
  論文  参考訳（メタデータ） (2025-06-17T07:04:07Z)
• GBlobs: Explicit Local Structure via Gaussian Blobs for Improved Cross-Domain LiDAR-based 3D Object Detection [12.282805218676208]
  ドメイン一般化は、そのようなドメインシフトに不変な検出器を訓練することによってこれを緩和することを目的としている。 本稿では,特にガウスブロブ(GBlob)で点雲近傍を符号化することで,DGの明示的な局所点雲構造を利用することを提案する。 提案する定式化は極めて効率的であり,追加のパラメータを必要としない。
  論文  参考訳（メタデータ） (2025-03-11T17:29:56Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
  LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。 そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T07:45:09Z)

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。