論文の概要: Chamelion: Reliable Change Detection for Long-Term LiDAR Mapping in Transient Environments

• arxiv url: http://arxiv.org/abs/2602.08189v1
• Date: Mon, 09 Feb 2026 01:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.019639
• Title: Chamelion: Reliable Change Detection for Long-Term LiDAR Mapping in Transient Environments
• Title（参考訳）: Chamelion:過渡環境における長期LiDARマッピングの信頼性変化検出
• Abstract要約: オンライン検出は、移動ロボットが動的環境を効率的にナビゲートするために不可欠である。 異なるシーンから要素をインポートすることで構造変化を合成するデータ拡張戦略を開発した。 実世界の建設現場や屋内オフィス環境で行った実験は, 多様なシナリオにまたがって, このアプローチが一般化されることを実証している。
• 参考スコア（独自算出の注目度）: 9.166827202407621
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Online change detection is crucial for mobile robots to efficiently navigate through dynamic environments. Detecting changes in transient settings, such as active construction sites or frequently reconfigured indoor spaces, is particularly challenging due to frequent occlusions and spatiotemporal variations. Existing approaches often struggle to detect changes and fail to update the map across different observations. To address these limitations, we propose a dual-head network designed for online change detection and long-term map maintenance. A key difficulty in this task is the collection and alignment of real-world data, as manually registering structural differences over time is both labor-intensive and often impractical. To overcome this, we develop a data augmentation strategy that synthesizes structural changes by importing elements from different scenes, enabling effective model training without the need for extensive ground-truth annotations. Experiments conducted at real-world construction sites and in indoor office environments demonstrate that our approach generalizes well across diverse scenarios, achieving efficient and accurate map updates.\resubmit{Our source code and additional material are available at: https://chamelion-pages.github.io/.
• Abstract（参考訳）: オンラインの変更検出は、移動ロボットが動的環境を効率的にナビゲートするために不可欠である。 アクティブな建設現場や頻繁に再構成された屋内空間などの過渡的環境の変化を検出することは、しばしば閉塞や時空間変動のために特に困難である。 既存のアプローチは、しばしば変化を検出し、異なる観察範囲でマップを更新するのに苦労する。 これらの制約に対処するため、オンラインの変更検出と長期マップの保守のために設計されたデュアルヘッドネットワークを提案する。 このタスクの大きな問題は、実際のデータの収集とアライメントであり、時間とともに構造的な違いを手動で登録することは、労働集約的であり、しばしば非現実的である。 これを解決するために,異なるシーンから要素をインポートすることで構造変化を合成するデータ拡張戦略を開発し,広範囲の地平アノテーションを必要とせずに効果的なモデルトレーニングを実現する。 実世界の建設現場および屋内オフィス環境において実施した実験により,本手法は多様なシナリオにまたがって,効率的かつ正確な地図更新を実現することができることを示した。 https://chamelion-pages.github.io/

関連論文リスト

• Online Geometric Change Detection via Scene Decomposition [0.0]
  本稿では,LiDARやRGB-Dセンサを用いたオンライン幾何変化検出のためのCDSD(Change Detection via Scene Decomposition)というフレームワークを提案する。 幾何学的変化検出のための最初のサブマップベースのアプローチとして、以下の課題を特定し、対処する。 その結果、メリーランド州グレース・クォーターズの陸軍研究所で収集されたカスタムデータセットと、オープンソースのマルチセッション変化検出データセットについて、アルゴリズムを実証した。
  論文  参考訳（メタデータ） (2026-09-15T15:10:54Z)
• Spot-the-shift: Evaluating Grounded Image Difference Captioning of Long-term Changes [60.0903155031313]
  同じ場所のイメージからの長期的変化の理解は、マップメンテナンスや都市インフラ監視の応用において難しい課題である。 本研究では,現実世界の運転シーンの長期的変化を示す画像差分キャプションの人間検証ベンチマークであるSPOT-the-SHIFTを紹介する。 本研究では,人間の研究によって検証されたモデルのキャプション能力を確実に評価する評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-09-09T15:52:04Z)
• FootprintNet: State-Transition-Guided Dynamic Footprint Learning for Multi-temporal Remote Sensing Change Detection [49.18153467180028]
  Urban Building Dynamics Detection (UBDD) は、ビルの動的フットプリントを識別する。 FootprintNetは、ビルド-変更プロセスを潜在状態とアクション間のインタラクションとして抽象化する。 変更ダイナミクススコア(BCDS)の構築は、予測されたフットプリントとラベルの間の時間的近接を反映している。
  論文  参考訳（メタデータ） (2026-07-30T10:16:53Z)
• A2TTA: Anchored-and-Agile Test-Time Adaptation for Evolving Traffic Sensor Networks [17.160985561061697]
  既存の交通予測研究は、現実の交通ネットワークの継続的な進化を見越して、固定されたセンサーグラフを仮定している。 我々は、交通センサネットワークの進化のためのAnchored-and-Agile Test-Time AdaptationフレームワークであるA2TTAを提案する。 A2TTAは、トポロジーによる予測誤差を拡張可能な出力校正問題に変換し、テンポラル適応を永続的大域補正に分離する。
  論文  参考訳（メタデータ） (2026-07-28T15:38:27Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Remote Sensing Change Detection via Weak Temporal Supervision [26.725631451367736]
  我々は、既存の単一時間データセットの時間的追加観測を活用する、弱い時間的監視戦略を導入する。 具体的には、異なるタイミングで取得した新しい観測データを用いて、単一日付のリモートセンシングデータセットを拡張し、実際のバイテンポラルペアにほとんど変化がないと仮定して、変更検出モデルをトレーニングする。 我々はFLAIRとIAILDの航空データセットの拡張バージョンに対するアプローチを検証し、強力なゼロショットと低データレシエーション性能を実現する。
  論文  参考訳（メタデータ） (2026-01-05T13:57:02Z)
• CEBSNet: Change-Excited and Background-Suppressed Network with Temporal Dependency Modeling for Bitemporal Change Detection [5.667475728935794]
  変更検出はリモートセンシングとコンピュータビジョンにおいて重要なタスクである。 現在のメソッドは一時的な依存関係を見落とし、顕著な変更を過度に強調します。 textbfCEBSNetは、変更検出のための新しい変更励起およびバックグラウンド抑圧ネットワークである。
  論文  参考訳（メタデータ） (2025-05-21T09:57:30Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• ME-CPT: Multi-Task Enhanced Cross-Temporal Point Transformer for Urban 3D Change Detection [10.15947374827254]
  多時間ALS点雲を利用することで、都市部の意味的変化を捉えることができる。 既存の3D変化検出手法では,マルチクラスの意味情報や変化特徴を効率的に抽出することが困難である。 本稿では,Multi-task Enhanced Cross-temporal Point Transformer (ME-CPT) ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-01-23T13:07:41Z)
• ChangeBind: A Hybrid Change Encoder for Remote Sensing Change Detection [16.62779899494721]
  変化検出(CD)は、異なる時刻スタンプで同じ地理的領域間の意味的変化を検出することを目的とした、リモートセンシング(RS)の基本課題である。 本稿では,バイテンポラルRS画像における意味変化をエンコードする,効果的なSiameseベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T17:47:14Z)
• A Change Detection Reality Check [4.122463133837605]
  近年,遠隔センシング文献における変化検出深層学習アーキテクチャの提案が爆発的に増えている。 本稿では,簡単なU-Netセグメンテーションベースラインをトレーニングのトリックや複雑なアーキテクチャ変更なしに結論付ける実験を行う。
  論文  参考訳（メタデータ） (2024-02-10T17:02:53Z)
• Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change [82.31647863785923]
  人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
  論文  参考訳（メタデータ） (2023-11-15T20:09:29Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• Fully Online Meta-Learning Without Task Boundaries [80.09124768759564]
  この性質のオンライン問題にメタラーニングを適用する方法について検討する。 タスク境界に関する基礎的な真理知識を必要としない完全オンラインメタラーニング(FOML)アルゴリズムを提案する。 実験の結果,FOMLは最先端のオンライン学習手法よりも高速に新しいタスクを学習できることがわかった。
  論文  参考訳（メタデータ） (2022-02-01T07:51:24Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)

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。