Fugu-MT 論文翻訳(概要): RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation

論文の概要: RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation

arxiv url: http://arxiv.org/abs/2604.04490v1
Date: Mon, 06 Apr 2026 07:30:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:19.133025
Title: RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation
Title（参考訳）: RAVEN: 高速チップワイド物体検出・分割のためのレーダ適応型ビジョンエンコーダ
Abstract要約: RAVENはFMCWレーダ認識のための計算効率の良いディープラーニングアーキテクチャである。自動車レーダのベンチマークでは、強力な物体検出とBEV自由空間セグメンテーション性能が報告されている。
参考スコア（独自算出の注目度）: 11.345174599707859
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents RAVEN, a computationally efficient deep learning architecture for FMCW radar perception. The method processes raw ADC data in a chirp-wise streaming manner, preserves MIMO structure through independent receiver state-space encoders, and uses a learnable cross-antenna mixing module to recover compact virtual-array features. It also introduces an early-exit mechanism so the model can make decisions using only a subset of chirps when the latent state has stabilized. Across automotive radar benchmarks, the approach reports strong object detection and BEV free-space segmentation performance while substantially reducing computation and end-to-end latency compared with conventional frame-based radar pipelines.
Abstract（参考訳）: 本稿では,FMCWレーダ認識のための計算効率の良いディープラーニングアーキテクチャであるRAVENを提案する。この方法は、生のADCデータをチャープワイドストリーミング方式で処理し、独立受信状態空間エンコーダを介してMIMO構造を保存し、学習可能なクロスアンテナ混合モジュールを用いて、コンパクトな仮想アレイ特徴を復元する。また、早期退避機構を導入し、潜伏状態が安定すると、モデルがチャープのサブセットだけを使って決定できる。自動車レーダベンチマーク全体では、従来のフレームベースのレーダパイプラインと比較して計算とエンドツーエンドのレイテンシを大幅に低減しつつ、強力なオブジェクト検出とBEV自由空間セグメンテーション性能を報告している。

関連論文リスト

IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection [6.250476866823555]
レーダポイントクラウドオブジェクト検出のための不変レーダグラフニューラルネットワークIRGNNを提案する。 IRGNNはまず、変換および回転不変の特徴設計を用いてレーダポイント雲をグラフ表現に再構成する。その後、改善されたメッセージパッシングニューラルネットワーク(MPNN)と、ローカルな特徴伝搬とグローバルなコンテキストモデリングを強化するために、仮想ノード層を使用する。
論文参考訳（メタデータ） (2026-08-14T15:35:06Z)
LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
論文参考訳（メタデータ） (2026-07-02T06:44:02Z)
Learning Spatial Structure from Pre-Beamforming Per-Antenna Range-Doppler Radar Data via Visibility-Aware Cross-Modal Supervision [2.348805691644085]
アンテナ間距離-ドップラー測定から有意義な空間構造を直接学べるか? 実験は6-TX x 8-RX (48仮想アンテナ)で行われた。エンド・ツー・エンド・エンド・エンド・データ駆動方式で訓練されたデュアルチャープ共有重み付きエンコーダを用いて、アンテナ毎のRDテンソルの事前動作を行う。
論文参考訳（メタデータ） (2026-04-02T11:39:00Z)
Leveraging Transformer Decoder for Automotive Radar Object Detection [9.764772760421792]
本稿では,新しいトランスフォーマーデコーダを用いた3次元レーダオブジェクト検出のためのトランスフォーマーベースアーキテクチャを提案する。 Pyramid Token Fusion (PTF)は、特徴ピラミッドを統一されたスケール対応トークンシーケンスに変換する。我々はRADDet上で提案したフレームワークを評価し、最先端のレーダー専用ベースラインよりも大幅に改善した。
論文参考訳（メタデータ） (2026-01-19T20:44:24Z)
RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
論文参考訳（メタデータ） (2025-12-19T18:57:33Z)
RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
論文参考訳（メタデータ） (2025-08-06T08:19:37Z)
Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文参考訳（メタデータ） (2025-04-07T15:38:25Z)
Mask-RadarNet: Enhancing Transformer With Spatial-Temporal Semantic Context for Radar Object Detection in Autonomous Driving [11.221694136475554]
本稿では,入力レーダデータから階層的セマンティック特徴をフル活用するMask-RadarNetというモデルを提案する。 Mask-RadarNetは、インターリーブド畳み込みとアテンション操作を組み合わせて、トランスフォーマーベースのモデルで従来のアーキテクチャを置き換える。計算複雑性が比較的低く、パラメータも少ないため、提案したMask-RadarNetは、自律運転における物体検出における高い認識精度を実現する。
論文参考訳（メタデータ） (2024-12-20T06:39:40Z)
SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
論文参考訳（メタデータ） (2024-06-15T11:26:10Z)
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)
Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
論文参考訳（メタデータ） (2021-04-20T16:28:33Z)
Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
論文参考訳（メタデータ） (2020-11-25T13:18:06Z)
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文参考訳（メタデータ） (2020-10-14T09:41:06Z)

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。