論文の概要: Revisiting Radar Perception With Spectral Point Clouds

• arxiv url: http://arxiv.org/abs/2604.08282v1
• Date: Thu, 09 Apr 2026 14:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.955233
• Title: Revisiting Radar Perception With Spectral Point Clouds
• Title（参考訳）: スペクトル点雲によるレーダー知覚の再検討
• Authors: Hamza Alsharif, Jing Gu, Pavol Jancura, Satish Ravindran, Gijs Dubbelman,
• Abstract要約: 本稿では, スペクトル点雲のパラダイムを導入し, 点雲はレーダースペクトルの粗い圧縮された表現として扱われる。 我々は、リッチ化を適用すると、点雲がRDベンチマークを超えることができることを示した。
• 参考スコア（独自算出の注目度）: 14.284988155951446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar perception models are trained with different inputs, from range-Doppler spectra to sparse point clouds. Dense spectra are assumed to outperform sparse point clouds, yet they can vary considerably across sensors and configurations, which hinders transfer. In this paper, we provide alternatives for incorporating spectral information into radar point clouds and show that, point clouds need not underperform compared to spectra. We introduce the spectral point cloud paradigm, where point clouds are treated as sparse, compressed representations of the radar spectra, and argue that, when enriched with spectral information, they serve as strong candidates for a unified input representation that is more robust against sensor-specific differences. We develop an experimental framework that compares spectral point cloud (PC) models at varying densities against a dense range-Doppler (RD) benchmark, and report the density levels where the PC configurations meet the performance of the RD benchmark. Furthermore, we experiment with two basic spectral enrichment approaches, that inject additional target-relevant information into the point clouds. Contrary to the common belief that the dense RD approach is superior, we show that point clouds can do just as well, and can surpass the RD benchmark when enrichment is applied. Spectral point clouds can therefore serve as strong candidates for unified radar perception, paving the way for future radar foundation models.
• Abstract（参考訳）: レーダ知覚モデルは、レンジドップラースペクトルからスパース点雲まで、様々な入力で訓練される。 密度スペクトルはスパース点雲よりも優れていると仮定されるが、センサーや構成によって大きく異なるため、移動を妨げている。 本稿では,レーダポイント雲にスペクトル情報を組み込む方法を提案する。 そこでは, スペクトル情報に富んだ場合, センサ固有の差異に対してより堅牢な統一入力表現の候補として機能する, レーダスペクトルの圧縮表現として, 点雲をスパースとして扱うスペクトル点クラウドパラダイムを導入する。 本研究では,様々な密度のスペクトル点雲(PC)モデルと高密度レンジドップラー(RD)ベンチマークを比較する実験フレームワークを開発し,PC構成がRDベンチマークの性能に合致する密度レベルを報告する。 さらに、2つの基本スペクトルエンリッチメント手法を実験し、点雲に追加の目標関連情報を注入する。 密度の強いRDアプローチが優れているという一般的な信念とは対照的に、点雲も同じように行うことができ、リッチ化を施すとRDベンチマークを超えることができる。 したがって、スペクトル点雲はレーダー認識の強力な候補として機能し、将来のレーダー基盤モデルへの道を開くことができる。

関連論文リスト

• 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)
• 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)
• Radar Spectra-Language Model for Automotive Scene Parsing [8.520079602838772]
  自動走行の文脈において,レーダスペクトルに含まれる意味情報を探索することを目的としている。 我々はレーダスペクトル言語モデルを作成し、シーン要素が存在する場合のレーダスペクトル測定をクエリできる。 既存の視覚言語モデルの埋め込み空間をマッチングすることにより,レーダスペクトルデータの不足を克服する。
  論文  参考訳（メタデータ） (2024-06-04T09:45:04Z)
• Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data [8.552647576661174]
  ミリ波レーダセンサは、環境条件下では安定した性能を維持している。 レーダー点雲は比較的希薄で、巨大なゴーストポイントを含んでいる。 本稿では3次元ミリ波レーダデータに対する新しい点雲超解像法,Radar-diffusionを提案する。
  論文  参考訳（メタデータ） (2024-04-09T04:41:05Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• 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)
• Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
  コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。 我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。 提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
  論文  参考訳（メタデータ） (2022-10-27T01:25:57Z)
• Rethinking Sampling in 3D Point Cloud Generative Adversarial Networks [82.72642388129843]
  サンプリング非感受性判別器は点クラスタリングアーティファクトを持つ形状点雲を生成する一方で、サンプリング非感受性判別器は有効な形状生成を導くことができないことを示す。 判別器の異なるサンプリング感度を示すために,サンプリングスペクトルの概念を提案する。 そこで本研究では, サンプリング関連指標において, 既存のクラウドジェネレータをすべて改良した, ミドルポイントサンプリング対応のベースライン判別器であるPointNet-Mixについて検討する。
  論文  参考訳（メタデータ） (2020-06-12T09:29:24Z)

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。