Enhancing 3D Object Detection by Using Neural Network with Self-adaptive Thresholding

要約

堅牢な 3D オブジェクト検出は、自律フィールド ロボット工学の分野において依然として極めて重要な懸案事項です。
標準データセット全体での検出精​​度の顕著な向上にも関わらず、非構造的で動的な性質を特徴とする現実世界の都市環境では、誤検知の発生率が上昇することが多く、その結果、既存の検出パラダイムの信頼性が損なわれています。
これに関連して、私たちの研究では、自我オブジェクトからの距離に応じて検出閾値を動的に調整する高度な後処理アルゴリズムを導入しています。
従来の認識システムは通常、均一のしきい値を使用するため、遠くの物体の検出効率が低下することがよくあります。
対照的に、私たちが提案する方法論は、特に複雑な都市環境において、偽陰性を大幅に軽減すると同時に偽陽性を減少させる自己適応閾値設定メカニズムを備えたニューラルネットワークを採用しています。
実証結果は、私たちのアルゴリズムが都市や悪天候の多様なシナリオにおける 3D 物体検出モデルのパフォーマンスを強化するだけでなく、フィールド ロボット工学における適応しきい値処理技術の新しいベンチマークを確立することを実証しています。

要約(オリジナル)

Robust 3D object detection remains a pivotal concern in the domain of autonomous field robotics. Despite notable enhancements in detection accuracy across standard datasets, real-world urban environments, characterized by their unstructured and dynamic nature, frequently precipitate an elevated incidence of false positives, thereby undermining the reliability of existing detection paradigms. In this context, our study introduces an advanced post-processing algorithm that modulates detection thresholds dynamically relative to the distance from the ego object. Traditional perception systems typically utilize a uniform threshold, which often leads to decreased efficacy in detecting distant objects. In contrast, our proposed methodology employs a Neural Network with a self-adaptive thresholding mechanism that significantly attenuates false negatives while concurrently diminishing false positives, particularly in complex urban settings. Empirical results substantiate that our algorithm not only augments the performance of 3D object detection models in diverse urban and adverse weather scenarios but also establishes a new benchmark for adaptive thresholding techniques in field robotics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google