論文の概要: Telescope: Learnable Hyperbolic Foveation for Ultra-Long-Range Object Detection

• arxiv url: http://arxiv.org/abs/2604.06332v1
• Date: Tue, 07 Apr 2026 18:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.172762
• Title: Telescope: Learnable Hyperbolic Foveation for Ultra-Long-Range Object Detection
• Title（参考訳）: 望遠鏡:超長距離物体検出のための学習可能な双曲線
• Authors: Parker Ewen, Dmitriy Rivkin, Mario Bijelic, Felix Heide,
• Abstract要約: 超長距離自律運転用に設計された2段階検出モデルである望遠鏡を導入する。 強力な検出バックボーンを持つこのモデルは、小さな遠方の物体を検出するという根本的な課題に対処するために、新しい再サンプリング層と画像変換を含む。 望遠鏡は、最先端の手法と比較して、超長距離検出におけるmAPの相対的な改善を76%で達成している。
• 参考スコア（独自算出の注目度）: 38.01832443563395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous highway driving, especially for long-haul heavy trucks, requires detecting objects at long ranges beyond 500 meters to satisfy braking distance requirements at high speeds. At long distances, vehicles and other critical objects occupy only a few pixels in high-resolution images, causing state-of-the-art object detectors to fail. This challenge is compounded by the limited effective range of commercially available LiDAR sensors, which fall short of ultra-long range thresholds because of quadratic loss of resolution with distance, making image-based detection the most practically scalable solution given commercially available sensor constraints. We introduce Telescope, a two-stage detection model designed for ultra-long range autonomous driving. Alongside a powerful detection backbone, this model contains a novel re-sampling layer and image transformation to address the fundamental challenges of detecting small, distant objects. Telescope achieves $76\%$ relative improvement in mAP in ultra-long range detection compared to state-of-the-art methods (improving from an absolute mAP of 0.185 to 0.326 at distances beyond 250 meters), requires minimal computational overhead, and maintains strong performance across all detection ranges.
• Abstract（参考訳）: 高速道路の運転、特に長距離重トラックでは、高速でブレーキ距離の要求を満たすために、500メートルを超える長距離の物体を検出する必要がある。 長距離では、車や他の重要な物体が高解像度の画像で数ピクセルしか占めておらず、最先端の物体検出器が故障する。 この課題は、商業的に利用可能なLiDARセンサーの有効範囲が限られているため、距離の2倍の解像度が失われ、超長距離の閾値が不足しているため、画像に基づく検出は、商用で利用可能なセンサ制約が与えられた最も実用的なスケーラブルなソリューションである。 超長距離自律運転用に設計された2段階検出モデルである望遠鏡を導入する。 強力な検出バックボーンに加えて、このモデルには新しい再サンプリング層と画像変換が含まれており、小さな遠方の物体を検出するという根本的な課題に対処する。 望遠鏡は、最先端の手法(250メートルを超える距離で0.185から0.326までの改善)と比較して、超長距離距離検出におけるmAPの相対的な改善を76\%で達成し、計算オーバーヘッドを最小限に抑え、全ての検出範囲にわたって強い性能を維持している。

関連論文リスト

• Driving in Spikes: An Entropy-Guided Object Detector for Spike Cameras [62.94986160782233]
  スパイクカメラは、マイクロ秒のレイテンシとオブジェクト検出のための超高ダイナミックレンジを提供する。 希少で離散的な出力は標準画像ベースの検出器では処理できない。 デュアルブランチ設計によるエンド・ツー・エンドのスパイクカメラ検出器EASDを提案する。 DSEC Spikeは、最初の駆動指向シミュレートされたスパイク検出ベンチマークである。
  論文  参考訳（メタデータ） (2025-11-19T14:16:17Z)
• Distance Estimation in Outdoor Driving Environments Using Phase-only Correlation Method with Event Cameras [5.690128924544198]
  単眼イベントカメラと路面LEDバーを用いた距離推定手法を提案する。 提案手法は,20mから60mの範囲で0.5m以下の誤差で90%以上の成功率を達成する。 将来的には、LEDを備えたスマートポールなどのインフラを活用して、この手法を全位置推定に拡張する予定である。
  論文  参考訳（メタデータ） (2025-05-23T07:44:33Z)
• Long-Distance Field Demonstration of Imaging-Free Drone Identification in Intracity Environments [15.347530074931989]
  残差ニューラルネットワーク(ResNet)とtextDtextsuperscript2SPtextsuperscript2-LiDARを新たに統合する。 本手法は,弱い信号条件下であっても94.93%の識別精度と97.99%の型分類精度を実現する。 これらの知見は,小目標の高強度長距離検出のための非撮像法の可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-26T07:36:28Z)
• Approximate Supervised Object Distance Estimation on Unmanned Surface Vehicles [12.59850892985157]
  教師付き物体検出を用いたUSVの近似距離推定のための新しい手法を提案する。 本稿では,物体検出モデルの一分野として,物体検出だけでなく,その距離をUSVから予測する手法を提案する。 ボート、ブイ、その他の水上危険物などの付近の物体にオペレーターを警告する海洋補助システムにその応用を実証する。
  論文  参考訳（メタデータ） (2025-01-09T20:34:36Z)
• CamLoPA: A Hidden Wireless Camera Localization Framework via Signal Propagation Path Analysis [59.86280992504629]
  CamLoPAは、トレーニング不要の無線カメラ検出およびローカライゼーションフレームワークである。 低コストの商用オフ・ザ・シェルフ(COTS)デバイスを使用して、最小限の活動空間制約で運用する。 95.37%のスヌーピングカメラ検出精度と17.23の平均位置誤差を達成する。
  論文  参考訳（メタデータ） (2024-09-23T16:23:50Z)
• Towards Long-Range 3D Object Detection for Autonomous Vehicles [4.580520623362462]
  長距離での3次元物体検出は、自動運転車の安全性と効率を確保するために不可欠である。 芸術的LiDARに基づく手法の現在のほとんどの状態は、長距離でのスパーシリティのため、範囲が限られている。 我々は,現在のLiDARを用いた3D検出器の長距離性能を改善する2つの方法を検討した。
  論文  参考訳（メタデータ） (2023-10-07T13:39:46Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。