論文の概要: Learning Structurally Consistent Representations for Multi-View Radar Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2606.31609v1
- Date: Tue, 30 Jun 2026 12:57:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.228857
- Title: Learning Structurally Consistent Representations for Multi-View Radar Semantic Segmentation
- Title（参考訳）: 多視点レーダセマンティックセマンティックセグメンテーションのための構造整合表現の学習
- Abstract要約: マルチビューレーダセグメンテーションのための高次構造アライメントフレームワークを提案する。
提案手法は、学習可能なハイパーグラフを用いてレーダ特徴表現を洗練し、高次依存関係をキャプチャする。
CARRADAとRADIalベンチマークの実験では、強いレーダー固有のベースラインよりも一貫した改善が示されている。
- 参考スコア（独自算出の注目度）: 2.4705928100051135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radar sensors provide reliable perception under adverse weather and lighting conditions, but their sparse, noisy, and weakly semantic measurements make dense semantic segmentation challenging. Most existing radar segmentation methods rely on grid-based encodings and pairwise interactions, which struggle to capture the higher-order relational structure formed by multiple radar returns from the same physical object. We introduce a unified higher-order structural alignment framework for multi-view radar segmentation. The proposed method refines radar feature representations using learnable hypergraphs to capture higher-order dependencies among spatially related responses. To ensure consistency across heterogeneous radar projections, we further align view-specific features using Unbalanced Optimal Transport (UOT), enabling correspondence-free alignment under varying measurement densities and partial observations. An adaptive attention mechanism then fuses complementary radar views while emphasising structurally informative responses under sparsity and noise. The resulting architecture learns structurally consistent representations across Range Angle (RA), Range Doppler (RD), and Angle Doppler (AD) views and is trained using supervised segmentation together with cross-view consistency regularisation. Experiments on the CARRADA and RADIal benchmarks demonstrate consistent improvements over strong radar-specific baselines, achieving 63.8% mIoU on CARRADA and 83.4% mIoU on RADIal, improving the previous best methods by +1.7 and +2.3 mIoU, respectively. These results highlight the importance of higher-order relational modelling for robust radar perception.
- Abstract（参考訳）: レーダセンサは、悪天候や照明条件下では信頼性の高い認識を提供するが、その疎さ、ノイズ、および弱い意味測定により、密接なセマンティックセグメンテーションが困難になる。
既存のレーダーセグメンテーション手法の多くは、グリッドベースの符号化とペアの相互作用に依存しており、同じ物理的対象から複数のレーダーリターンによって形成される高次のリレーショナル構造を捉えるのに苦労している。
マルチビューレーダセグメンテーションのための高次構造アライメントフレームワークを提案する。
提案手法は,学習可能なハイパーグラフを用いてレーダ特徴表現を洗練し,空間的応答間の高次依存性を捉える。
不均質なレーダ射影の整合性を確保するために、不均衡最適輸送(UOT)を用いてビュー特有の特徴を更に整列させ、様々な測定密度と部分的な観測で対応のないアライメントを可能にする。
適応的な注意機構が相補的なレーダビューを融合し、スパーシティーとノイズの下で構造的に情報的応答を強調する。
その結果得られたアーキテクチャは、Range Angle(RA)、Range Doppler(RD)、Angle Doppler(AD)のビューにまたがる構造的に一貫した表現を学び、教師付きセグメンテーションとクロスビュー整合性正規化を使ってトレーニングされる。
CARRADAとRADIalのベンチマーク実験では、強力なレーダー固有のベースラインよりも一貫した改善が示され、CARRADAでは63.8% mIoU、RADIalでは83.4% mIoUが達成され、それぞれ+1.7と+2.3 mIoUが改善された。
これらの結果は、ロバストレーダ認識のための高次リレーショナルモデリングの重要性を強調している。
関連論文リスト
- RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。
RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。
4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
論文 参考訳（メタデータ） (2026-03-09T03:28:44Z) - Synthetic FMCW Radar Range Azimuth Maps Augmentation with Generative Diffusion Model [9.764772760421792]
本稿では,現実的な周波数変調連続波レーダレンジアジマスマップを合成するための条件付き生成フレームワークを提案する。
提案手法は,歩行者,車,サイクリストを含む複数の対象カテゴリーのレーダデータを生成するために,生成拡散モデルを利用する。
論文 参考訳（メタデータ） (2026-01-09T10:59:46Z) - 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) - Scaling Foundation Models for Radar Scene Understanding [8.23171791313388]
レーダーセンサーは、悪天候、照明、長距離の状況に対して信頼性の高い認識を提供する。
基礎モデルの最近の進歩は、視覚的および言語的理解に変化をもたらしたが、レーダーセンシングとの統合は、ほとんど未解明のままである。
本稿では,空間言語を構造化し,シーンレベルの統一表現を学習するレーダ基礎モデルであるRadarFMを紹介する。
論文 参考訳（メタデータ） (2025-11-26T06:41:00Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach [10.908489565519211]
無人航空機(UAV)用のレーダー自動目標認識(RATR)は、電磁波(EMW)を送信し、受信したレーダーエコーに対して目標型認識を行う。
これまでの研究では、RATRにおけるモノスタティックレーダよりも、マルチスタティックレーダの構成の利点を強調していた。
本稿では,複数のレーダからの分類確率ベクトルを集約するために,OBF(Optimal Bayesian Fusion)を用いた完全ベイズRATRフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-28T02:11:47Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - 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) - 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) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z) - Off-the-shelf sensor vs. experimental radar -- How much resolution is
necessary in automotive radar classification? [5.452955349285637]
従来のレーダーセンサーの解像度はスパースデータ表現をもたらす。
新しいセンサーは、この挑戦的な分野に応用されるのを待っている。
異なるレーダ世代の2つのセンサを互いに評価する。
論文 参考訳（メタデータ） (2020-06-09T19:51:34Z)
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。