Fugu-MT 論文翻訳(概要): ATN3D: Density-Aware LiDAR-Radar Early 3D Object Detection Under Extreme Sparsity

論文の概要: ATN3D: Density-Aware LiDAR-Radar Early 3D Object Detection Under Extreme Sparsity

arxiv url: http://arxiv.org/abs/2606.09634v1
Date: Mon, 08 Jun 2026 15:32:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 14:42:07.388725
Title: ATN3D: Density-Aware LiDAR-Radar Early 3D Object Detection Under Extreme Sparsity
Title（参考訳）: ATN3D:高密度LiDARレーダー早期3次元物体検出
Authors: Debojyoti Biswas, Xianbiao Hu,
Abstract要約: 3Dオブジェクト検出は、自動車両の知覚のバックボーンである。長距離検出は、感覚証拠が希少であるため困難である。 Ask The Neighbor' (ATN3D) をスパースレンジ条件に適したLiDAR-Radarフレームワークとして提案する。
参考スコア（独自算出の注目度）: 4.484299565861011
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D object detection is the backbone of perception for automated vehicles (AV) and broader intelligent transportation systems applications. Long-range detection is challenging because sensing evidence is sparse; yet this ``long-range'' scenario is routine in traffic. Although >30m is often labeled long-range in computer vision, on roadways it affords only approx. 1-2s for perception and decision-making. Under such extreme sparsity, two core challenges arise. First, early multimodal fusion tends to discard sparsity information and inject noise from empty or falsely occupied cells, degrading long-range recall. Second, context-agnostic uniform channel supervision favors dense and near-range samples, leaving far and small objects under-optimized, delaying the earliest detection of distant objects. We propose ``Ask The Neighbor'' (ATN3D), a LiDAR-Radar framework tailored for sparse-range conditions. ATN3D introduces (i) Density-aware early fusion with cross-modal gating that conditions fusion on per-voxel density/sparsity and Radar evidence, (ii) Occupancy-gated neighborhood aggregation with circular kernels to aggregate only from credible cells, (iii) Evidence-conditioned channel self-attention to adapt channel weights with weather/range, and (iv) a Range-aware loss that re-balances classification and localization by distance, aligning training with distance-stratified evaluation. On the VoD benchmark across clear and foggy conditions, ATN3D surpasses strong baselines: +3.55% mAP in clear weather and +8.41% mAP under simulated heavy fog; for >30m objects, gains are +3.33% (clear) and +2.09% (heavy fog). These results indicate earlier and more reliable long-range detections under sparse sensing in on-road traffic.
Abstract（参考訳）: 3Dオブジェクト検出は、自動車両(AV)およびより広範なインテリジェントな輸送システムアプリケーションに対する認識のバックボーンである。長距離検出は、検知する証拠が不足しているため難しいが、この‘long-range’シナリオはトラフィックのルーチンである。 >30mはコンピュータビジョンでは長距離とラベル付けされることが多いが、道路上ではアポックスしか持たない。 1-2sであった。このような極端に広い範囲では、2つの主要な課題が生じる。第一に、初期のマルチモーダル核融合は、空間情報を捨て、空または偽の占有された細胞からノイズを注入し、長距離リコールを低下させる傾向にある。第二に、文脈に依存しない一様チャネルの監督は密集した近距離のサンプルを好んでおり、遠方および小天体は過度に最適化され、遠方天体の早期発見を遅らせている。スパースレンジ条件に適したLiDAR-Radarフレームワークである 'Ask The Neighbor' (ATN3D) を提案する。 ATN3Dの紹介 (i) ボクセル密度/スパーシティーとレーダ証拠の融合を条件としたクロスモーダルゲーティングによる早期融合を意識した密度対応 (II) 信用細胞からのみ集積する環状核による占有促進近傍集合体。三路面重量を天候・距離に適応させるための証拠条件付きチャンネル自己注意 (4) 距離による分類と局所化を再バランスさせ, 距離階層化評価と整合した訓練を行うレンジアウェアロス。澄んだ条件と霧の条件のVoDベンチマークでは、ATN3Dは、晴天時の+3.55% mAP、シミュレートされた重い霧の下で+8.41% mAP、30m以下の天体では+3.33%(クリア)と+2.09%(重い霧)という強いベースラインを超える。これらの結果から,道路交通におけるスパースセンシングの下でのより早く,より信頼性の高い長距離検出が可能であった。

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)
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)
Super Sparse 3D Object Detection [48.684300007948906]
LiDARベースの3Dオブジェクト検出は、自動運転における長距離認識にますます貢献する。高速な長距離検出を実現するため,まずフルスパース物体検出器FSDを提案する。 FSD++は、連続するフレーム間の点変化を示す残差点を生成する。
論文参考訳（メタデータ） (2023-01-05T17:03:56Z)
Far3Det: Towards Far-Field 3D Detection [67.38417186733487]
我々は、観測者から一定の距離を超える物体の遠距離3次元検出(Far3Det)の課題に焦点を当てる。 Far3Detは高速道路で動く自動運転車(AV)にとって特に重要である。我々は,nuScenesデータセットからよく注釈付きシーンを抽出し,十分に注釈付き遠距離フィールド検証セットを導出する手法を開発した。 Far3Detの評価プロトコルを提案し,Far3Detの様々な3次元検出手法を提案する。
論文参考訳（メタデータ） (2022-11-25T02:07:57Z)
RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文参考訳（メタデータ） (2022-11-11T10:24:42Z)
Fully Sparse 3D Object Detection [57.05834683261658]
長距離LiDARオブジェクト検出のためのフルスパース3Dオブジェクト検出器(FSD)を構築した。 FSDは一般的なスパース・ボクセル・エンコーダと新しいスパース・インスタンス認識(SIR)モジュール上に構築されている。 SIRは、ポイントをインスタンスにグループ化することで、以前のポイントベースのメソッドでの待ち行列クエリを避ける。
論文参考訳（メタデータ） (2022-07-20T17:01:33Z)
Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
論文参考訳（メタデータ） (2022-05-27T05:42:16Z)
RAANet: Range-Aware Attention Network for LiDAR-based 3D Object Detection with Auxiliary Density Level Estimation [11.180128679075716]
自律運転のためのLiDARデータから3Dオブジェクトを検出するために,Range-Aware Attention Network (RAANet) が開発された。 RAANetはより強力なBEV機能を抽出し、優れた3Dオブジェクト検出を生成する。 nuScenesデータセットの実験により,提案手法がLiDARを用いた3Dオブジェクト検出の最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2021-11-18T04:20:13Z)

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。