論文の概要: Needles in a Raystack: Ultra-Sparse LiDAR Occupancy Detection for Bat Tracks

• arxiv url: http://arxiv.org/abs/2609.20160v1
• Date: Thu, 17 Sep 2026 12:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.276785
• Title: Needles in a Raystack: Ultra-Sparse LiDAR Occupancy Detection for Bat Tracks
• Title（参考訳）: Raystackにおける針:バットトラックの超スパースLiDAR機能検出
• Abstract要約: コウモリに対する軽量な3D-Net U-Netモニタリングシステムを提案する。 提案したU-Netは、診断実験におけるスパース占有を回復し、コウモリ飛行軌道に沿ってコヒーレント占有パターンを生成する。 これは、バリデーションスケールの実験、後のクラスタリングのトラック、そして将来、コウモリの活動情報を生物多様性に配慮したカレーメント戦略に統合するための実践的な基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring flying animals is important for understanding and protecting biodiversity, but nocturnal species such as bats are difficult to observe in the field. Using LiDAR, bat movements at night result in ultra-sparse 3D spatio-temporal data in which standard reconstruction losses tend to predict only background and miss real flight paths. We study this problem as voxel-wise occupancy detection in sensor-centric LiDAR raystacks. A lightweight 3D U-Net is proposed that preserves temporal resolution, uses skip connections for spatial detail, and combines weighted binary cross-entropy with Dice loss to handle the strong class imbalance. In real LiDAR recordings of bats over open fields, cross-checked with acoustic monitoring, a reconstruction-based 3D convolutional autoencoder baseline fails to recover foreground trajectories. In contrast, the proposed U-Net recovers sparse foreground occupancy in diagnostic experiments and produces coherent occupancy patterns along bat flight trajectories, providing a practical basis for validation-scale experiments, later clustering of flight tracks, and future integration of bat activity information into biodiversity-aware turbine curtailment strategies.
• Abstract（参考訳）: 飛行する動物を観察することは生物多様性の理解と保護に重要であるが、コウモリのような夜行性種はフィールドで観察することは困難である。 LiDARを用いて、夜間のコウモリの動きは、標準的な復元損失が背景のみを予測し、実際の飛行経路を見逃す傾向にある、超スパースな3次元時空間データをもたらす。 我々はこの問題を,センサ中心のLiDAR線スタックにおけるボクセルの占有度検出として検討した。 時間分解能を保ち、空間的詳細のためにスキップ接続を使用し、重み付けされた二元クロスエントロピーとDice損失を組み合わせ、強いクラス不均衡を扱う軽量な3次元U-Netを提案する。 オープンフィールド上のコウモリの実際のLiDAR記録では、アコースティックモニタリングと交差して、再構成ベースの3D畳み込みオートエンコーダベースラインは、前景軌道の回復に失敗する。 対照的に,提案したU-Netは, 診断実験における疎開前景の占有を回復し, コウモリ飛行軌道に沿ったコヒーレント占有パターンを生成し, バリデーションスケール実験, 後続の飛行軌道のクラスタリング, 今後のコウモリ活動情報の生物多様性に配慮したタービン養生戦略への統合の実践的基盤を提供する。

関連論文リスト

• Weakly Supervised Cross-Modal Learning for 4D Radar Scene Flow Estimation [10.906975408529895]
  本稿では,弱教師付きレーダシーンフロー学習のためのタスク固有フレームワークを提案する。 市販の2Dトラッキングとセグメンテーションアルゴリズムを利用して、追跡されたインスタンスマスクを取得する。 実世界のView-of-Delftデータセットの実験は、我々の手法が最先端のクロスモーダル監視アプローチを超えることを示した。
  論文  参考訳（メタデータ） (2026-05-18T15:00:53Z)
• Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach [2.3646560222366695]
  本稿では,Adaptive Extended Kalman Filter (AEKF) を組み込んだ軽量LiDARベースのUAVトラッキングシステムを提案する。 提案手法は,非反復走査型3次元LiDARにより発生するスパース,ノイズ,および不均一点クラウドデータによる課題を効果的に解決する。
  論文  参考訳（メタデータ） (2026-03-10T15:19:34Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Robust 3D Object Detection from LiDAR-Radar Point Clouds via Cross-Modal Feature Augmentation [7.364627166256136]
  本稿では,点雲からの3次元物体検出のための新しい枠組みを提案する。 背骨の微細化と幻覚発生を同時に行うために,空間的および特徴的に複数のアライメントを導入する。 View-of-Delftデータセットの実験により,提案手法は,レーダとLiDARの両方のオブジェクト検出において,最先端(SOTA)手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-29T15:46:59Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• 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)
• Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
  FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。 標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-27T05:42:16Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)

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。