文献

J-GLOBAL ID：202102213333431203   整理番号：21A2571903

3Dオブジェクト検出のためのカスケードクロスモダリティ融合ネットワーク【JST・京大機械翻訳】

Cascaded Cross-Modality Fusion Network for 3D Object Detection

著者 (8件)： Chen Zhiyu (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Lin Qiong (College of Automation, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Sun Jing (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Feng Yujian (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Liu Shangdong (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Liu Qiang (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Ji Yimu (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China) ,  Xu He (School of Computer Science, Nanjing University of Posts and Telecommunications, No. 9 Wenyuan Road, Yadong New District, Nanjing 210023, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 24  ページ： 7243  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,LIDAR-RGB融合ベース3D物体検出の探索に焦点を当てた。この課題は,2つの側面でまだ困難である。1)データフォーマットとセンサ位置の違いは,画像の意味論的特徴と点雲の幾何学的特徴の間の推論の不整合に寄与する。(2)従来のIoUの最適化は,境界ボックスの回帰損失と等しくなく,非重複ケースに対するバイアス逆伝搬をもたらす。本研究では,カスケード型クロスモーダル融合ネットワーク(CCFNet)を提案し,カスケード型マルチスケール融合モジュール(CMF)と新しい中心3D IoU損失を含み,これら2つの問題を解決した。CMFモジュールを開発し,オブジェクトの弁別的表現を,対応するLIDAR幾何学的能力と2つのモダリティからオブジェクトのRGB意味能力との関係を推論することにより開発した。特に,CMFはRGBとLIDARストリームの間のカスケード方式で追加され,それは顕著な点を選択し,RGBストリームの各ステージにマルチスケールポイントクラウド特徴を伝送する。さらに,著者らのセンター3D IoU損失は,アンカー中心間の距離を組み込み,非重複境界ボックスに対する過剰単純最適化を回避する。KITTIベンチマークに関する広範な実験は,提案手法が比較手法よりも優れた性能を持つことを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  LIDAR ,  意味論 ,  *ネットワーク ,  不整合 ,  バイアス ,  センサ ,  *三次元 ,  データフォーマット ,  ベンチマーク
準シソーラス用語： 比較法 ,  *モダリティ ,  マルチスケール ,  *物体検出 , 【Automatic Indexing@JST】

著者キーワード (4件)： 3Dオブジェクト検出 ,  ポイントクラウド処理 ,  マルチセンサ融合 ,  ライダ

分類 (4件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  リモートセンシング一般  (AD04000L) ,  パターン認識  (JE07000S)

引用文献 (35件)：

• Siam, M.; Mahgoub, H.; Zahran, M.; Yogamani, S.; Jagersand, M.; EI-Sallab, A. MODNet: Motion and Appearance based Moving Object Detection Network for Autonomous Driving. In Proceedings of the 2018 21st International Conference on Intelligent Transportation Systems (ITSC), Maui, HI, USA, 4-7 November 2018; pp. 122-134.
• Cai, Z.; Fan, Q.; Feris, R.S.; Vasconcelos, N. A unified multi-scale deep convolutional neural network for fast object detection. In Proceedings of the 14th European Conference, Amsterdam, The Netherlands, 11-14 October 2016; pp. 354-370.
• Ku, J.; Mozifian, M.; Lee, J.; Harakeh, A.; Waslander, S. Joint 3D proposal generation and object detection from view aggregation. In Proceedings of the 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems, Madrid, Spain, 1-5 October 2018; pp. 1-8.
• Wu, F.; Chen, F.; Jing, X.; Hu, C.; Ge, Q.; Ji, Y. Dynamic attention network for semantic segmentation. Neurocomputing 2020, 384, 182-191.
• Vora, S.; Lang, A.; Helou, B.; Beijbom, O. Pointpainting: Sequential fusion for 3d object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, 16-18 June 2020; pp. 4604-4612.

タイトルに関連する用語 (3件)： 3D ,  オブジェクト検出 ,  融合