論文の概要: Synthetic LiDAR Data Generation and Deterministic Downsampling for Point Cloud Classification on the Edge

• arxiv url: http://arxiv.org/abs/2608.07106v1
• Date: Fri, 07 Aug 2026 11:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.479514
• Title: Synthetic LiDAR Data Generation and Deterministic Downsampling for Point Cloud Classification on the Edge
• Title（参考訳）: エッジ上の点雲分類のための合成LiDARデータ生成と決定論的ダウンサンプリング
• Abstract要約: 本稿ではRaspberry Pi 5.6%のネイティブ実行に最適化されたハードウェア制約付きワークフローを提案する。 ノイズレスでクリーンなコンピュータ支援設計(CAD)データセットと実世界のセンサデータとの現実的ギャップを考慮し,物理シミュレーションを用いて合成LiDARデータセットを構築する。 相互データセット評価は、クリーンCADデータに基づいてトレーニングされたネットワークを合成LiDARセンサデータに基づいて評価する場合、分類精度が大幅に低下することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying three-dimensional deep learning frameworks to low-power embedded processors is bottlenecked by the unstructured nature of spatial data and the resource-intensive distance sorting algorithms often used before neural network inference. To address this gap, this paper presents a hardware-constrained workflow optimized for native execution on the Raspberry Pi 5. To account for the reality gap between noiseless, clean computer-aided design (CAD) datasets and real-world sensor data, we use physics-based simulation to construct a synthetic LiDAR dataset. Cross-dataset evaluations demonstrate a substantial drop in classification accuracy when networks trained on clean CAD data are evaluated on synthetic LiDAR sensor data, highlighting the critical need for sensor-aware training. To address the latency bottleneck of traditional geometric preprocessing on edge CPUs, we integrate an isolated, feature-driven Critical Points Layer (CPL) as a frontend filter. Our results show that the pretrained CPL deterministically compresses raw 1024-point clouds to a subset of 40 to 60 unique coordinates. When profiled on the ARM Cortex-A76 processor, the complete pipeline achieves an inference throughput of approximately 50 FPS while maintaining an instance classification accuracy of 88.36%, demonstrating the viability of deterministic real-time 3D perception at the edge.
• Abstract（参考訳）: 低消費電力組み込みプロセッサに3次元のディープラーニングフレームワークをデプロイすることは、空間データの非構造化の性質と、ニューラルネットワークの推論の前にしばしば使用されるリソース集約的な距離ソートアルゴリズムによってボトルネックとなる。 このギャップに対処するため,Raspberry Pi 5上でのネイティブ実行に最適化されたハードウェア制約のワークフローを提案する。 ノイズレスでクリーンなコンピュータ支援設計(CAD)データセットと実世界のセンサデータとの現実的ギャップを考慮し,物理シミュレーションを用いて合成LiDARデータセットを構築する。 クロスデータセット評価は、クリーンCADデータに基づいてトレーニングされたネットワークが合成LiDARセンサデータに基づいて評価されると、分類精度が大幅に低下することを示す。 エッジCPUにおける従来の幾何学的前処理のレイテンシボトルネックに対処するため、フロントエンドフィルタとして特徴駆動のCritical Points Layer(CPL)を統合する。 その結果,事前学習したCPLは生の1024点の雲を40から60個のユニークな座標のサブセットに決定的に圧縮することがわかった。 ARM Cortex-A76プロセッサでプロファイルされると、完全なパイプラインはインスタンス分類精度88.36%を維持しながら、およそ50FPSの推論スループットを達成する。

関連論文リスト

• Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling [0.0]
  従来のIR-drop分析は、高精度だが計算コストの大きい物理ベースのサインオフツールに依存している。 CNNを用いた早期IR-drop推定のための深層学習に基づくサロゲートモデリング手法を提案する。 提案するフレームワークは,高額なサインオフ分析に先立って,設計者が迅速なIR-dropインサイトを提供するための補完的なアーリーステージ解析ツールとして意図されている。
  論文  参考訳（メタデータ） (2026-01-30T08:29:45Z)
• No One-Model-Fits-All: Uncovering Spatio-Temporal Forecasting Trade-offs with Graph Neural Networks and Foundation Models [8.918505166222875]
  本研究は,空間センサ密度とサンプリング間隔の異なる予測モデルについて,系統的研究を行った。 以上の結果から,STGはセンサ配置が小さく,サンプリングレートが適度である場合に有効であることが示唆された。 重要なことは、TSFMは高周波で競合するが、隣り合うセンサーからの空間被覆が減少すると劣化する。
  論文  参考訳（メタデータ） (2025-11-07T11:50:39Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Are We Ready for Real-Time LiDAR Semantic Segmentation in Autonomous Driving? [42.348499880894686]
  シーンセマンティックセグメンテーションは、3次元空間データを専門のディープニューラルネットワークと直接統合することで実現できる。 本研究では, NVIDIA Jetson プラットフォーム上でのリソース制約推論の性能と性能を解析し, 様々な3次元セマンティックセマンティックセマンティクス手法について検討する。
  論文  参考訳（メタデータ） (2024-10-10T20:47:33Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• PU-Ray: Domain-Independent Point Cloud Upsampling via Ray Marching on Neural Implicit Surface [5.78575346449322]
  我々は任意のレートで新しいレイベースのアップサンプリング手法を提案し、各クエリ線とその対応するパッチに対して深さ予測を行う。 非符号距離関数 (UDF) で定義された神経暗示面上の球面追跡線マーチングアルゴリズムをシミュレーションした。 ルールベースの中間点問合せサンプリング手法は, 最寄りの近傍の復元損失関数を用いて訓練されたエンドツーエンドモデルを必要としない, より均等な分散点を生成する。
  論文  参考訳（メタデータ） (2023-10-12T22:45:03Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• D3DLO: Deep 3D LiDAR Odometry [1.1172382217477126]
  LiDAR odometry (LO) は、その後のLiDAR点雲のアライメントを見つけるタスクを記述している。 このアライメントは、LiDARセンサーが装着されているプラットフォームの動きを推定するために使用することができる。 本稿では,3次元点雲を直接処理することでLOを学習するネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-28T19:23:06Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。