論文の概要: Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking
- arxiv url: http://arxiv.org/abs/2609.08346v1
- Date: Tue, 08 Sep 2026 07:17:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.605566
- Title: Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking
- Title（参考訳）: レーダーによる任意の動きのセグメンテーション:ロバストなマルチモーダル移動物体セグメンテーションと追跡
- Abstract要約: RGBTR-Motionは、RGB、サーマル、レーダストリームを高密度のインスタンスマスクと時間的に一貫したIDと組み合わせたベンチマークである。
また、SAM 3上に構築されたRGB、サーマル、レーダーに基づくセグメンテーションおよびトラッキングフレームワークであるSAM-Radarも開発している。
- 参考スコア（独自算出の注目度）: 18.63898447592778
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Moving-object perception must decide which image regions correspond to real motion and keep every instance identified over time. Methods that read motion from appearance, optical flow, or estimated trajectories lose that evidence under poor illumination, adverse weather, reflections, and occlusion. Radar is a natural remedy because it measures radial velocity directly instead of inferring it from photometric correspondence. However, existing benchmarks do not jointly provide radar measurements, dense moving-instance masks, and temporally consistent identities for surveillance. We therefore introduce RGBTR-Motion, a synchronized and calibrated fixed-camera benchmark that pairs RGB, thermal, and radar streams with dense instance masks and temporally consistent identities across diverse surveillance scenes. We also develop SAM-Radar, an RGB, thermal, and radar-based segmentation and tracking framework built on SAM 3. SAM-Radar's radar-aware detector fuses calibrated RGBT features with radar returns that are grounded at their projected image locations, and motion supervision, implemented as foreground classification of those projected returns, teaches the detector to reject clutter without any text prompt. The tracker associates accepted radar returns with individual trajectories and uses them as physical evidence that a visually degraded target remains present. This allows it to bridge short periods of low visibility or occlusion and reconnect a reappearing target to its existing identity instead of starting a new track. SAM-Radar attains 0.7027 IoU and 0.8090 F1-50, and raises MOTA, HOTA, and IDF1 by 0.2977, 0.1603, and 0.2857 over the strongest competing values.
- Abstract（参考訳）: 移動対象知覚は、どの画像領域が実際の動きに対応するかを決定し、時間とともに全てのインスタンスを識別する必要がある。
外観、光学的流れ、または推定軌道からの動きを読み取る方法は、照明、悪天候、反射、閉塞の下の証拠を失う。
レーダーは、光度対応から推定するのではなく、放射速度を直接測定するため、自然な治療である。
しかし、既存のベンチマークでは、レーダー計測、密度の高い移動インスタントマスク、監視のための時間的に一貫したアイデンティティを共同で提供していない。
したがってRGBTR-Motionは、RGB、熱、レーダーストリームと高密度のインスタンスマスクと、さまざまな監視シーンで時間的に一貫したアイデンティティを組み合わせ、同期および校正された固定カメラベンチマークである。
また、SAM 3上に構築されたRGB、サーマル、レーダーに基づくセグメンテーションおよびトラッキングフレームワークであるSAM-Radarも開発している。
SAM-Radarのレーダー対応検出器は、RGBTのキャリブレーションされた特徴を融合させ、投射された画像位置のレーダーリターンと、投射されたリターンのフォアグラウンド分類として実装されたモーション監視とを融合させ、テキストのプロンプトなしでクラッタを拒否するように検出器に教える。
トラッカーは受信したレーダーを個々の軌道に関連付け、視覚的に劣化した標的が存在するという物理的証拠として使用する。
これにより、可視性や閉塞性の低い短い期間をブリッジし、新しいトラックを開始するのではなく、既存のアイデンティティに再出現するターゲットを再接続することが可能になる。
SAM-Radar は 0.7027 IoU と 0.8090 F1-50 を獲得し、最強の競合値に対して 0.2977, 0.1603, 0.2857 で MOTA, HOTA, IDF1 を上昇させる。
関連論文リスト
- DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields [8.442884076695789]
DiffRadarはリアルタイムのレーダーSLAMシステムで、レーダー観測を物理を意識したガウス場としてモデル化する。
DiffRadarはこのシーンを異方性ガウス原始体として表現し、レンジアジマスとドップラーアジマス空間でレーダー計測を行う。
DiffRadarをコモディティFMCWレーダハードウェアに実装し、パブリックなRadarizeベンチマークと制御されたストレステストスイートの両方で評価する。
論文 参考訳（メタデータ） (2026-07-14T02:08:14Z) - RadarTwin: Scene-Specific mmWave Radar Simulation and Learning for Mobile Indoor Perception [2.0255467447384015]
RadarTwinは、実際のデータ収集の前にデプロイメント固有のレーダートレーニングデータを生成するためのフレームワークである。
シミュレーションと実レーダは同じ物体識別形状と材料特性を共有していることを示す。
シミュレーションだけで訓練された表現は、実際のレーダーラベルのない2.5倍の確率で実際の物体を認識し、いくつかのラベル付き例では、これを12方向の認識タスクで95.3%に引き上げている。
論文 参考訳（メタデータ） (2026-06-24T05:50:26Z) - RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。
RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
論文 参考訳（メタデータ） (2026-05-25T21:03:40Z) - 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) - Radar Tracker: Moving Instance Tracking in Sparse and Noisy Radar Point Clouds [25.36192517603375]
我々は、シーン解釈を強化するために、スパースレーダポイント雲における移動インスタンス追跡に対処する。
本稿では,時間的オフセット予測を取り入れた学習型レーダトラッカーを提案する。
提案手法は,RadarScenesデータセットの移動インスタンス追跡ベンチマークの性能向上を示す。
論文 参考訳（メタデータ） (2025-07-04T09:57:28Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - RETR: Multi-View Radar Detection Transformer for Indoor Perception [2.6913398550088483]
既存のレーダ認識パイプラインは、マルチビューレーダ設定の特徴的な特徴を説明できない。
我々は,多視点レーダ認識に適したDECアーキテクチャの拡張であるRadar dEtection TRansformer (RETR)を提案する。
提案手法は,オブジェクト検出のための15.38+AP,インスタンス分割のための11.91+IoUで,既存の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2024-11-15T15:51:25Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - Radar Artifact Labeling Framework (RALF): Method for Plausible Radar
Detections in Datasets [2.5899040911480187]
粗いレーダ点雲のラベル付けのためのクロスセンサレーダアーチファクトラベルフレームワーク(RALF)を提案する。
RALFは、レーダーの生検出のための可視性ラベルを提供し、アーティファクトとターゲットを区別する。
半手動ラベル付き地上真理データセットの3.28cdot106$ポイントの誤差測定値を評価することにより,結果を検証する。
論文 参考訳（メタデータ） (2020-12-03T15:11:31Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z)
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。