論文の概要: WildDepth-v2: A Synchronized RGB--LiDAR--Radar Dataset and Benchmark for Metric Depth, Motion, and Tracking of Wildlife

• arxiv url: http://arxiv.org/abs/2610.31123v1
• Date: Thu, 22 Oct 2026 11:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.36262
• Title: WildDepth-v2: A Synchronized RGB--LiDAR--Radar Dataset and Benchmark for Metric Depth, Motion, and Tracking of Wildlife
• Title（参考訳）: WildDepth-v2:RGB--LiDAR-Radarデータセットの同期と野生生物の計量深度・運動・追跡のためのベンチマーク
• Abstract要約: 同期RGB-LiDAR WildDepthデータセットを3方向に拡張したWildDepth 2を提案する。 オブジェクトレベルのレーダキャリブレーションは、推論時にLiDARを必要とせずに、シーンレベルのLiDARキャリブレーションの単眼深度を改善することを示す。 431トラックにわたって、1トラック当たりのレーダスケーリングは3次元位置誤差を4倍に減らし、距離サンプリング検出関数バイアスを-13%から-2%に減らした。
• 参考スコア（独自算出の注目度）: 21.807810775008594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Measuring animal distance and motion in metric units underpins abundance estimation, morphometrics, and movement ecology, yet monocular video lacks metric scale and wildlife datasets lack metric ground truth. We present WildDepth 2, extending the synchronized RGB-LiDAR WildDepth dataset in three directions. (i) Imaging radar: 37 RGB-LiDAR-4D-radar sequences (19,716 frames) with per-point Doppler velocity and a measured error budget, to our knowledge the first imaging-radar wildlife recordings. (ii) Benchmarking: a frozen, checksummed hidden test set for RGB-only distance estimation and RGB+sparse-LiDAR depth completion, evaluated separately on animal and background pixels. (iii) Motion and tracking: metric 3D trajectories obtained by lifting 2D tracks using LiDAR, radar, or monocular depth. Across 48,723 animal frames, object-level radar calibration improves monocular depth over scene-level LiDAR calibration without requiring LiDAR at inference (AbsRel 0.120 vs. 0.198), although animal-level LiDAR remains more accurate (0.052). Across 431 tracks, once-per-track radar scaling reduces 3D position error four-fold (2.20 to 0.58 m) and distance-sampling detection-function bias from -13% to -2%, matching once-per-track LiDAR calibration. Transferring radar Doppler onto LiDAR produces motion masks 3.7 times denser than radar alone at 72% precision, reduces moving-animal LiDAR accumulation error by 37%, and estimates radial speed (r = 0.60), albeit with approximately 50% underestimation.
• Abstract（参考訳）: メートル法単位における動物距離と運動の測定は、豊富な推定、形態計測、運動生態学を支えるが、モノクロビデオはメートル法尺度を欠き、野生生物のデータセットはメートル法基底の真理を欠いている。 同期RGB-LiDAR WildDepthデータセットを3方向に拡張したWildDepth 2を提案する。 画像レーダ:37 RGB-LiDAR-4D-radar sequences (19,716 frames) with per-point Doppler velocity and a measured error budget, our knowledge of the first imaging-radar wildlife recordings。 ベンチマーク:RGBのみ距離推定とRGB+スパース-LiDAR深度補正のための凍結・チェックサム付き隠れテストセットを動物および背景画素で別々に評価した。 三 動きと追跡:LiDAR、レーダー又は単眼深度を用いて2Dトラックを持ち上げることで得られる3次元軌跡。 48,723個の動物フレームにまたがって、オブジェクトレベルのレーダーキャリブレーションは、推論時にLiDARを必要とせずに、シーンレベルのLiDARキャリブレーションの単眼深度を改善する(AbsRel 0.120 vs. 0.198)が、動物レベルのLiDARはより正確である(0.052)。 431トラックにわたって、1トラック当たりのレーダーのスケーリングにより、4D位置誤差(2.20mから0.58m)が減少し、距離サンプリング検出関数バイアスが-13%から-2%に減少し、1トラック当たりのLiDAR校正と一致する。 レーダードップラーをLiDARに転送すると、レーダー単独の72%の精度で3.7倍の密度の移動マスクを発生させ、移動アニマルのLiDAR蓄積誤差を37%削減し、半径速度(r = 0.60)を推定する。

関連論文リスト

• RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather [47.7622249773517]
  本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度を明示的に推定し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。 RAFはLiDAR-RADARベースラインに対する検出精度を継続的に改善し、+6.5 $AP_BEV$と+7.4 $AP_3D$ゲインを達成している。
  論文  参考訳（メタデータ） (2026-07-06T01:24:35Z)
• ELMAR: Enhancing LiDAR Detection with 4D Radar Motion Awareness and Cross-modal Uncertainty [3.1212590312985986]
  本稿では,4次元レーダの動作状態とモード間不確実性により強化されたLiDAR検出フレームワークを提案する。 運転回廊内でのmAPは74.89%, 運転回廊内88.70%であった。
  論文  参考訳（メタデータ） (2025-06-22T09:28:14Z)
• 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)
• V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
  我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。 本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
  論文  参考訳（メタデータ） (2024-11-13T07:41:47Z)
• L4DR: LiDAR-4DRadar Fusion for Weather-Robust 3D Object Detection [24.568605267098317]
  L4DRは,LiDARと4Dレーダ融合を効果的に実現する3次元物体検出法である。 我々のL4DRには、センサギャップを再現するためのマルチモーダルMMEとフォアグラウンド・アウェア・デノナイジング(FAD)技術が含まれています。 霧のレベルによってパフォーマンスが大幅に向上し、3D mAPは従来のLiDARのみのアプローチよりも最大20.0%向上した。
  論文  参考訳（メタデータ） (2024-08-07T10:36:26Z)
• Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
  カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。 本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。 複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-04-08T01:38:43Z)
• Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection [78.59426158981108]
  この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。 我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-06-02T10:57:41Z)

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。