論文の概要: NERVE: A Neuromorphic Vision and Radar Ensemble for Multi-Sensor Fusion Research

• arxiv url: http://arxiv.org/abs/2605.16414v1
• Date: Wed, 13 May 2026 16:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.306668
• Title: NERVE: A Neuromorphic Vision and Radar Ensemble for Multi-Sensor Fusion Research
• Title（参考訳）: NERVE:マルチセンサー核融合研究のためのニューロモルフィックビジョンとレーダーアンサンブル
• Authors: Omar Mansour, Pietro Martinello, Ethan Milon, YingFu Xu, Manolis Sifalakis, Guangzhi Tang, Amirreza Yousefzadeh,
• Abstract要約: NERVE(Neuromorphic Vision and Radar Ensemble)は5つのセンサから257分間の同期記録からなるマルチセンサデータセットである。 人間の検出と距離推定のためのDVS+Radarサブセットを構築した。 フィードフォワードとリカレント検出器を用いた実験では、DVSと77GHz Radarの組み合わせが常に検出を改善することが示されている。
• 参考スコア（独自算出の注目度）: 0.8228702942838674
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present NERVE (Neuromorphic Vision and Radar Ensemble), a multi-sensor dataset comprising 257 minutes of synchronized recordings from five sensors: two Dynamic Vision Sensors (DVS), an RGB-D camera, and two Radar units (24GHz and 77GHz). Captured across 12 measurement days in office environments, NERVE contains around 600GB of uncompressed temporally aligned data with around 914,000 frames and around 9.6 million RGB COCO-formatted annotations covering 16 relevant object categories. To evaluate multi-modal fusion, we construct a DVS+Radar subset for human detection and distance estimation. Baseline experiments using feed-forward and recurrent detectors show that combining DVS with 77GHz Radar consistently improves detection, with recurrent models achieving up to 47.5% mAP and mean absolute Radar distance errors below 1.8m against LiDAR ground truth.
• Abstract（参考訳）: NERVE(Neuromorphic Vision and Radar Ensemble)は、2つのダイナミックビジョンセンサー(DVS)、2つのRGB-Dカメラ、2つのレーダユニット(24GHzと77GHz)から257分間の同期記録を含むマルチセンサデータセットである。 NERVEは、オフィス環境で12日間にわたって計測され、約600GBの非圧縮時間整列データと約914,000フレーム、約960万のRGB COCO形式のアノテーションが含まれており、16の関連するオブジェクトカテゴリを含んでいる。 マルチモーダル融合を評価するため,人間の検出と距離推定のためのDVS+Radarサブセットを構築した。 フィードフォワードとリカレント検出器を用いたベースライン実験では、DVSと77GHz Radarを組み合わせることで、47.5% mAPまでのリカレントモデルと1.8m以下の絶対レーダー距離誤差をLiDARの真理に対して達成し、検出を継続的に改善することが示されている。

関連論文リスト

• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• V2X-Radar: A Multi-modal Dataset with 4D Radar for Cooperative Perception [61.58737390490639]
  V2X-Radarは、4Dレーダを特徴とする世界初の大規模実世界のマルチモーダルデータセットである。 データセットは20KのLiDARフレーム、40Kのカメライメージ、350Kの注釈付きボックスを含む20Kの4Dレーダデータで構成されている。 様々な研究領域をサポートするために, 協調認識のためのV2X-Radar-C, 路面認識のためのV2X-Radar-I, 単車知覚のためのV2X-Radar-Vを確立した。
  論文  参考訳（メタデータ） (2024-11-17T04:59:00Z)
• V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
  我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。 本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
  論文  参考訳（メタデータ） (2024-11-13T07:41:47Z)
• RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
  我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。 我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
  論文  参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。