論文の概要: LoDA: A Level of Detection Aware Method and a Multimodal Sensing Benchmark for Object Level Change Detection

• arxiv url: http://arxiv.org/abs/2608.05356v2
• Date: Wed, 12 Aug 2026 10:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 14:28:20.284702
• Title: LoDA: A Level of Detection Aware Method and a Multimodal Sensing Benchmark for Object Level Change Detection
• Title（参考訳）: LoDA:オブジェクトレベル変化検出のための検出認識方法とマルチモーダルセンシングベンチマーク
• Authors: Haitian Wang, Xinyu Wang, Sheldon Fung, Xian Zhang, Zichen Geng,
• Abstract要約: 高精細度3DLiDARマップは、自動運転とスマートシティサービスにとって重要である。 高度の違いから深度、ポイントクラウドネットワークへの既存のアプローチは、タイルベースでしきい値駆動であることが多い。 本稿では,検出認識登録,幾何学駆動型オブジェクトプロキシ,ルールベースセマンティックおよびインスタンスセグメンテーションを統合したオブジェクトレベルの3次元変化検出パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 4.753822545932511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-definition 3D LiDAR maps are important for autonomous driving and smart-city services, which require reliable detection of object-level changes in multi-temporal urban LiDAR to keep digital maps aligned with the physical world. Existing approaches from raster height differencing to depth image and point-cloud networks often remain tile-based and threshold-driven, yielding per-point scores without explicit detection limits or consistent object-level labels. We propose an object-level 3D change-detection pipeline that integrates detection-limit-aware registration, geometry-driven object proxies with rule-based semantic and instance segmentation, and displacement cues in height, volume, and surface-normal direction to assign five change labels with confidence. By decoupling registration, geometry, and semantics, the pipeline propagates pose uncertainty into spatially varying detection limits, stabilizes cross-epoch correspondences, and suppresses false changes caused by residual misalignment and density variation. We also present LoDA, a level-of-detection (LoD) aware benchmark for the Subiaco district with fused multi-temporal vehicle-LiDAR maps constructed with LiDAR, GNSS, and IMU support, semantic instances, and object-level annotations. On this benchmark, our method achieves 95.0% accuracy, 90.8% macro F1, and 83.0% macro IoU, exceeding the best baseline by 8.7 IoU points and 4.4 F1 points. On the public Urb3DCD-V2 benchmark evaluated under the official point-wise protocol, it reaches 96.81% mean accuracy and 89.52% mean change IoU, improving over the strongest reported baselines by 1.36 points in mAcc and 3.18 points in mIoUch.
• Abstract（参考訳）: 高精細度3次元LiDARマップは自動運転やスマートシティサービスにおいて重要であり、物理的世界とデジタルマップを一致させるためには、多時期都市LiDARにおけるオブジェクトレベルの変化を確実に検出する必要がある。 ラスター高さから深度画像、ポイントクラウドネットワークへの既存のアプローチはタイルベースでしきい値駆動であり、明示的な検出制限や一貫したオブジェクトレベルのラベルなしでポイント当たりのスコアが得られる。 本研究では,検出限界対応型登録,幾何学駆動型オブジェクトプロキシ,ルールベースセマンティックおよびインスタンスセグメンテーション,高さ,体積,表面正規方向の変位キューを統合し,5つの変更ラベルを信頼性を持って割り当てるオブジェクトレベル3次元変化検出パイプラインを提案する。 登録、幾何学、意味を分離することにより、パイプラインは空間的に変化する検出限界に不確かさを生じさせ、エポジカルな対応を安定化させ、残差や密度の変化による誤った変化を抑制する。 また,LiDAR, GNSS, IMUサポート, セマンティックインスタンス, オブジェクトレベルのアノテーションで構築した多時間車両-LiDARマップを融合した,Subiaco地区のレベル・オブ・検出(LoD)対応ベンチマークであるLoDAを提案する。 このベンチマークでは,95.0%の精度,90.8%のマクロF1,83.0%のマクロIoUが最良基準である8.7のIoU,4.4のF1点を超えた。 公式のポイントワイドプロトコルで評価されたUrb3DCD-V2ベンチマークでは、平均精度96.81%、平均変更IoU89.52%に達し、最強のベースラインであるmAccの1.36ポイント、mIoUchの3.18ポイントよりも改善された。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
  本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。 その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
  論文  参考訳（メタデータ） (2025-12-12T00:08:03Z)
• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• TraIL-Det: Transformation-Invariant Local Feature Networks for 3D LiDAR Object Detection with Unsupervised Pre-Training [21.56675189346088]
  本稿では変換不変ローカル(TraIL)機能と関連するTraIL-Detアーキテクチャを紹介する。 TraILの特徴は、厳密な変換不変性を示し、点密度の変動に効果的に適応する。 彼らはLiDARの固有の等方性放射を利用して局所的な表現を強化する。 提案手法は,KITTI上のmAPを用いて,現代自己監督型3次元物体検出手法より優れている。
  論文  参考訳（メタデータ） (2024-08-25T17:59:17Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。