論文の概要: Beam-Wise Statistical Background Subtraction for Static Roadside LiDAR: A Cross-Sensor Benchmark Study

• arxiv url: http://arxiv.org/abs/2608.14868v1
• Date: Fri, 14 Aug 2026 20:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.116912
• Title: Beam-Wise Statistical Background Subtraction for Static Roadside LiDAR: A Cross-Sensor Benchmark Study
• Title（参考訳）: 静止路面LiDARのビーム幅統計的背景部分抽出:クロスセンサベンチマークによる検討
• Authors: Alexander Baumann, Marcel Vosshans, Thao Dang,
• Abstract要約: バックグラウンドサブトラクションは、インフラストラクチャベースのLiDAR知覚のための重要な前処理ステップである。 本稿では,静的に装着したLiDARセンサのビームワイズ統計的背景減算の比較ベンチマークを提案する。 静的なロードサイド設定で記録された新しいマルチLiDARデータセットであるHighwaySceneを導入し、静的/動的ポイントワイドアノテーションでパブリックなCoopScenesデータセットを拡張する。
• 参考スコア（独自算出の注目度）: 42.04219310123725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background subtraction is a key preprocessing step for infrastructure-based LiDAR perception, enabling efficient isolation of dynamic traffic participants without semantic annotations. However, systematic cross-sensor evaluations and reproducible studies for static roadside LiDAR are missing. This paper presents a comparative benchmark of beam-wise statistical background subtraction for statically mounted LiDAR sensors. We formulate background estimation as a per-beam temporal modeling problem and investigate complementary statistical strategies that capture dominant as well as multi-modal background structures, combined with spatial filtering in the angular and 3D domain. To enable reproducible evaluation, we introduce HighwayScene, a new multi-LiDAR dataset recorded in a static roadside setup, and extend the public CoopScenes dataset with static/dynamic point-wise annotations. Across multiple scenes and heterogeneous sensing technologies, we demonstrate that beam-wise statistical modeling provides a robust and transferable solution. Combining lightweight per-beam models with spatial consistency filtering substantially improves precision while maintaining high recall and real-time capability. All datasets, annotations, and implementations are publicly released.
• Abstract（参考訳）: バックグラウンドサブトラクションは、インフラストラクチャベースのLiDAR認識のための重要な前処理ステップであり、セマンティックアノテーションなしで動的トラフィック参加者の効率的な隔離を可能にする。 しかし、静的道路側LiDARに対する系統的クロスセンサ評価と再現可能な研究は欠落している。 本稿では,静的に装着したLiDARセンサのビームワイズ統計的背景減算の比較ベンチマークを提案する。 本研究では, 背景推定を時間単位の時間モデル問題として定式化し, 多モードの背景構造だけでなく, 角度領域と3次元領域の空間フィルタリングを併用して, 支配的かつ支配的な背景構造を捉える相補的統計戦略について検討する。 再現可能な評価を可能にするために,静的な路面設定で記録された新しいマルチLiDARデータセットであるHighwaySceneを導入し,静的/動的ポイントワイドアノテーションで公開のCoopScenesデータセットを拡張した。 複数のシーンとヘテロジニアスセンシング技術を通して、ビームワイドな統計的モデリングが堅牢で伝達可能なソリューションを提供することを示した。 ビーム毎の軽量モデルと空間整合性フィルタリングを組み合わせることで、高いリコールとリアルタイム能力を保ちながら精度を大幅に向上する。 すべてのデータセット、アノテーション、実装が公開されている。

関連論文リスト

• LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization [50.7242785475893]
  シーン座標回帰(SCR)は、屋外のLiDARローカライゼーションにおいて高いパフォーマンスを達成するが、通常は数日を要するシーン固有のトレーニングを必要とする。 最近の研究は、SCRをシーンに依存しないバックボーンとシーン固有の予測ヘッドに分離することで、トレーニング効率を向上させる。 センサロバストで効率的な屋外LiDARローカライゼーションフレームワークであるLightLoc++を提案する。
  論文  参考訳（メタデータ） (2026-08-15T16:50:34Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• A Fully Interpretable Statistical Approach for Roadside LiDAR Background Subtraction [3.9354551232038]
  道路側LiDARデータにおける背景部分抽出のための完全解釈可能かつ柔軟な統計的手法を提案する。 マルチライン360度およびマイクロエレクトロメカニカルシステム(MEMS)センサーを含む多様なLiDARタイプをサポートする。 最小のバックグラウンドデータであっても、精度と柔軟性において最先端の技術よりも優れています。
  論文  参考訳（メタデータ） (2025-10-25T18:18:10Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• 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)
• Data-Driven Target Localization Using Adaptive Radar Processing and Convolutional Neural Networks [18.50309014013637]
  本稿では,アダプティブレーダ検出後のレーダターゲット位置推定を改善するためのデータ駆動方式を提案する。 我々は、正規化適応整合フィルタ(NAMF)のレーダリターン、範囲、方位(およびドップラー)から熱マップテンソルを生成する。 次に、これらの熱マップテンソルからターゲット位置を推定するために回帰畳み込みニューラルネットワーク(CNN)を訓練する。
  論文  参考訳（メタデータ） (2022-09-07T02:23:40Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Weighted Bayesian Gaussian Mixture Model for Roadside LiDAR Object Detection [0.5156484100374059]
  背景モデリングは、静的な背景成分を減じることで移動目標を検出するインテリジェントな監視システムに広く利用されている。 多くの道路沿いのLiDARオブジェクト検出手法は、新しいデータポイントと事前訓練されたバックグラウンド参照を比較して前景点をフィルタリングする。 本稿では,各LiDAR点の標高と方位値に基づいて,生のLiDARデータを構造化表現に変換する。 提案手法は,2つの最先端の道路背景モデル,コンピュータビジョンベンチマーク,深層学習ベースラインを比較し,交通量と難易度で評価された点,対象,経路レベルを比較した。
  論文  参考訳（メタデータ） (2022-04-20T22:48:05Z)
• Roadside Lidar Vehicle Detection and Tracking Using Range And Intensity Background Subtraction [0.0]
  本稿では,2つの教師なし学習アルゴリズムを組み合わせた道路側LiDAR物体検出手法を提案する。 この手法は商用トラフィックデータ収集プラットフォームに対して検証された。
  論文  参考訳（メタデータ） (2022-01-13T00:54:43Z)

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。