アンサンブル分散を用いた適応LiDARサンプリングと深さ完成【JST・京大機械翻訳】

Gofer Eyal; Praisler Shachar; Gilboa Guy

プレプリント

J-GLOBAL ID：202202208134603318 整理番号：21P0041503

アンサンブル分散を用いた適応LiDARサンプリングと深さ完成【JST・京大機械翻訳】

Adaptive LiDAR Sampling and Depth Completion using Ensemble Variance

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年07月27日プレプリントサーバーでの情報更新日： 2021年10月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本研究は,画像データの有無で,深さ完了の問題を考察し,そこでは,アルゴリズムが所定の限られた数のピクセルの深さを測定するかもしれない。アルゴリズム課題は,全体的深さ推定誤差を最大限に低減するために,戦略的および動的に画素位置を選択することである。この設定は,プログラマブルLiDARを有する自律車両のための昼間または夜間の深度完了で実現される。提案手法では,ピクセル上のサンプリング確率を定義するための予測子の集合を用いた。この確率はアンサンブルメンバーの予測の分散に比例し,従って予測が困難なピクセルを強調した。さらに,いくつかの予測フェーズにおいて,類似画素の冗長サンプリングを効果的に削減する。著者らのアンサンブルベースの方法は,ブラックボックスとして扱われた最先端のニューラルネットワークのような任意の深さ-競合学習アルゴリズムを用いて実装される。特に,簡単で効果的なランダムフォレストベースアルゴリズムも提示し,同様に,設計においてその内部アンサンブルを使用した。Ma et al.のニューラルネットワークアルゴリズムおよび著者らの方法を実装するためのランダムフォレストベース学習器を用いてKITTIデータセットに関する実験を行った。両実装の精度は,最先端の状態を超えた。ランダムまたはグリッドサンプリングパターンと比較して,著者らの方法は,同じ精度を達成するために必要な測定の数において,4~10の因子による減少を可能にした。【JST・京大機械翻訳】

, , , , , ,
, , , , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, , ,

前のページに戻る