論文の概要: Auto-Labelling-Based Domain Transfer for 3D Object Detection on a Bicycle-Mounted LiDAR Platform
- arxiv url: http://arxiv.org/abs/2606.25652v1
- Date: Wed, 24 Jun 2026 10:08:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.304432
- Title: Auto-Labelling-Based Domain Transfer for 3D Object Detection on a Bicycle-Mounted LiDAR Platform
- Title（参考訳）: 自転車搭載LiDARプラットフォームを用いた3次元物体検出のための自動ラベルベースドメイン転送
- Abstract要約: 都市交通における危険道路利用者(VRU)の3次元認識は、都市交通の安全と自律運転(AD)のコア要件に不可欠である
ミュンヘンのFUSE-Bikeプラットフォームから1027個のLiDARアノテート(18,000個以上の3D境界ボックス)の3Dオブジェクト検出ベンチマークを作成した。
我々は,VRUによる自動ラベリングパイプラインによって生成されたトレーニングラベルを微調整した後,GTボックス1,854個に対して,事前訓練された4つのnuScenes検出器を精査した。
- 参考スコア（独自算出の注目度）: 0.26599014990168834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable 3D perception of vulnerable road users (VRUs) such as cyclists and pedestrians is essential for their safety in urban traffic and a core requirement for autonomous driving (AD). Alongside advances in vehicle-based perception, research increasingly equips bicycles with sensors to study traffic from a perspective native to VRUs. Such platforms still rely on LiDAR detectors originally trained on vehicle data, yet annotated 3D data from a cyclist's perspective is scarce. How well these detectors generalise to this setting has not been evaluated. We present a 3D object detection benchmark of 1,027 annotated LiDAR keyframes (over 18,000 3D bounding boxes) from the FUSE-Bike platform in urban Munich. We evaluate four nuScenes-pre-trained detectors against 1,854 human-verified ground-truth (GT) boxes both in their original form and after finetuning on training labels produced by a VRU-dedicated auto-labelling pipeline that requires no manual annotation. The zero-shot domain gap is concentrated on the VRU classes. Finetuning recovers most of it, improving mean average precision (mAP) by up to 23.4 points with the largest gains on pedestrians and cyclists, and the adapted detectors even surpass the quality of the auto-labels they were trained on. The benchmark provides a reproducible baseline for VRU-centric 3D detection and shows that auto-labels are a viable substitute for manual annotation when adapting vehicle-trained detectors to a cyclist platform.
- Abstract（参考訳）: 自転車や歩行者などの脆弱な道路利用者(VRU)に対する信頼性の高い3次元認識は、都市交通における安全と自律運転(AD)のコア要件に不可欠である。
車両による認識の進歩とともに、研究は、VRUに固有の視点からトラフィックを研究するために、自転車にセンサーを装備するようになっている。
これらのプラットフォームは、もともとは車両データに基づいて訓練されたLiDAR検出器に依存しているが、サイクリストの視点からの注釈付き3Dデータは少ない。
これらの検出器がこの設定をいかに一般化するかは評価されていない。
ミュンヘンのFUSE-Bikeプラットフォームから1027個の注釈付きLiDARキーフレーム(18,000個以上の3Dバウンディングボックス)の3Dオブジェクト検出ベンチマークを作成した。
筆者らは,手動のアノテーションを必要としないVRU専用自動ラベリングパイプラインで作成したトレーニングラベルを微調整した後に,1,854個のGTボックスに対して4つのnuScenes事前学習検出器を評価した。
ゼロショットのドメインギャップはVRUクラスに集中しています。
ファインタニングはそのほとんどを回収し、平均的精度(mAP)を最大23.4ポイント向上させ、歩行者やサイクリストに最大の利益を与えた。
このベンチマークでは、VRU中心の3D検出のための再現可能なベースラインが提供され、自動ラベルが、自転車のプラットフォームに車両訓練された検出器を適用する際に手動アノテーションの代替となることが示されている。
関連論文リスト
- When the City Teaches the Car: Label-Free 3D Perception from Infrastructure [47.72611382185263]
自動運転のための堅牢な3D認識の構築は、依然として大規模なデータ収集と手動のアノテーションに大きく依存している。
現代の都市は、道路サイドユニット(RSU)、道路に沿って配置された静的センサー、そして交通を監視するために交差点に配置されている。
本稿では,RSUがエゴ車両の教師なしの静止型教師として機能する,インフラストラクチャトレートでラベルのない3D知覚手法を提案する。
論文 参考訳（メタデータ） (2026-03-17T16:21:06Z) - Learnability-Driven Submodular Optimization for Active Roadside 3D Detection [24.30599734067415]
本研究は,道路側モノクロ3次元物体検出のための能動的学習に焦点を当てた。
本稿では,情報的かつ確実にラベル付け可能なシーンを選択する学習可能性駆動型フレームワークを提案する。
実験の結果, 自動車, 歩行者, 自転車のフルパフォーマンスの86.06%, 67.32%, 78.67%がLH3Dであることがわかった。
論文 参考訳（メタデータ） (2026-01-04T23:59:06Z) - RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。
大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
論文 参考訳（メタデータ） (2024-08-28T03:17:40Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Real-Time And Robust 3D Object Detection with Roadside LiDARs [20.10416681832639]
道路沿いのLiDARにおける交通参加者をリアルタイムに検出できる3次元物体検出モデルを設計する。
我々のモデルは既存の3D検出器をベースラインとして使用し、精度を向上させる。
スマートシティのアプリケーションに使用できるLiDARベースの3D検出器に多大な貢献をしています。
論文 参考訳（メタデータ） (2022-07-11T21:33:42Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Train in Germany, Test in The USA: Making 3D Object Detectors Generalize [59.455225176042404]
ディープラーニングにより、LiDARやステレオカメラデータなどの3Dオブジェクト検出精度が大幅に向上した。
自動運転のためのほとんどのデータセットは、1つの国内の都市の狭い部分で収集される。
本稿では,あるデータセットから別のデータセットに3Dオブジェクト検出器を適応させる作業について考察する。
論文 参考訳（メタデータ） (2020-05-17T00:56:18Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
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。