Joint object detection and re-identification for 3D obstacle multi-camera systems

要約

近年、自動運転の分野は、カメラやLiDARシステムを含む多数のセンサーをさまざまなプロトタイプに統合することによって目覚ましい進歩を遂げています。
しかし、センサーデータの急増に伴い、より高度な情報処理技術が緊急に必要となっています。
この研究論文では、カメラとライダーの情報を使用する物体検出ネットワークに新しい修正を導入し、ベースラインの 3D 物体検出結果の品質を向上させながら、同じ車両内の隣接するカメラ間で物体を再識別するタスク用に設計された追加のブランチを組み込んでいます。
。
提案された方法論では 2 段階の検出パイプラインが採用されています。最初に物体検出ネットワークが使用され、続いてネットワークの検出から生成されたフィルタリングされた点群で動作する 3D ボックス推定器が使用されます。
2D ドメインと 3D ドメインの両方を含む広範な実験評価により、提案されたアプローチの有効性が検証され、その結果は、従来の非最大抑制 (NMS) 技術に対するこの方法の優位性を強調しており、自動車カテゴリで 5\% 以上の改善が見られました。
重なっている領域。

要約(オリジナル)

In recent years, the field of autonomous driving has witnessed remarkable advancements, driven by the integration of a multitude of sensors, including cameras and LiDAR systems, in different prototypes. However, with the proliferation of sensor data comes the pressing need for more sophisticated information processing techniques. This research paper introduces a novel modification to an object detection network that uses camera and lidar information, incorporating an additional branch designed for the task of re-identifying objects across adjacent cameras within the same vehicle while elevating the quality of the baseline 3D object detection outcomes. The proposed methodology employs a two-step detection pipeline: initially, an object detection network is employed, followed by a 3D box estimator that operates on the filtered point cloud generated from the network’s detections. Extensive experimental evaluations encompassing both 2D and 3D domains validate the effectiveness of the proposed approach and the results underscore the superiority of this method over traditional Non-Maximum Suppression (NMS) techniques, with an improvement of more than 5\% in the car category in the overlapping areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google