論文の概要: Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets

• arxiv url: http://arxiv.org/abs/2003.07619v3
• Date: Wed, 6 Jan 2021 09:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:32:38.609854
• Title: Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets
• Title（参考訳）: カテゴリー特異的対称3次元キーポイントの教師なし学習
• Authors: Clara Fernandez-Labrador, Ajad Chhatkuli, Danda Pani Paudel, Jose J. Guerrero, C\'edric Demonceaux and Luc Van Gool
• Abstract要約: 本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。 私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。
• 参考スコア（独自算出の注目度）: 71.84892018102465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic discovery of category-specific 3D keypoints from a collection of objects of some category is a challenging problem. One reason is that not all objects in a category necessarily have the same semantic parts. The level of difficulty adds up further when objects are represented by 3D point clouds, with variations in shape and unknown coordinate frames. We define keypoints to be category-specific, if they meaningfully represent objects' shape and their correspondences can be simply established order-wise across all objects. This paper aims at learning category-specific 3D keypoints, in an unsupervised manner, using a collection of misaligned 3D point clouds of objects from an unknown category. In order to do so, we model shapes defined by the keypoints, within a category, using the symmetric linear basis shapes without assuming the plane of symmetry to be known. The usage of symmetry prior leads us to learn stable keypoints suitable for higher misalignments. To the best of our knowledge, this is the first work on learning such keypoints directly from 3D point clouds. Using categories from four benchmark datasets, we demonstrate the quality of our learned keypoints by quantitative and qualitative evaluations. Our experiments also show that the keypoints discovered by our method are geometrically and semantically consistent.
• Abstract（参考訳）: あるカテゴリのオブジェクトの集合からカテゴリ固有の3Dキーポイントの自動発見は難しい問題である。 理由の1つは、カテゴリ内のすべてのオブジェクトが必ずしも同じセマンティックな部分を持っているとは限らないことである。 この難易度は、物体が3次元の点雲で表されるときにさらに増大し、形状や未知の座標フレームが変化する。 キーポイントは、オブジェクトの形状を意味的に表現し、その対応性は、すべてのオブジェクトに対して整然として確立される。 本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。 そこで我々は,キーポイントによって定義される形状をカテゴリー内でモデル化し,対称面を想定せずに対称線形基底形状をモデル化する。 対称性の事前使用により、より高次なミスアライメントに適した安定なキーポイントが学習される。 私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。 4つのベンチマークデータセットのカテゴリを用いて、定量的および定性的な評価によって学習したキーポイントの品質を示す。 また,本手法によって発見されたキーポイントは,幾何学的にも意味的にも一致していることを示す。

関連論文リスト

• SelfGeo: Self-supervised and Geodesic-consistent Estimation of Keypoints on Deformable Shapes [19.730602733938216]
  自己教師型手法であるSelfGeoは、人間のアノテーションを必要とせず、任意のPCDから非剛体物体の3次元キーポイントを計算する。 我々の主な貢献は、そのキーポイントをその形状に沿って変形させ、その間の測地線距離を一定に保つことである。 本研究では,測地学の利用が動的シーンに挑戦する上で明らかな優位性があることを実験的に示す。
  論文  参考訳（メタデータ） (2024-08-05T08:00:30Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• Unsupervised Learning of 3D Semantic Keypoints with Mutual Reconstruction [11.164069907549756]
  3Dセマンティックキーポイントは、3Dオブジェクト上のカテゴリレベルのセマンティック一貫性ポイントである。 点群から一貫した意味的キーポイントを明示的に生成するための教師なし手法を提案する。 我々の知る限り,提案手法は相互再構成の観点から初めて3次元意味的一貫したキーポイントを抽出するものである。
  論文  参考訳（メタデータ） (2022-03-19T01:49:21Z)
• End-to-End Learning of Multi-category 3D Pose and Shape Estimation [128.881857704338]
  本稿では,画像から2次元キーポイントを同時に検出し,それらを3次元に引き上げるエンド・ツー・エンド手法を提案する。 提案手法は2次元キーポイントアノテーションからのみ2次元検出と3次元リフトを学習する。 画像から3D学習へのエンドツーエンド化に加えて,1つのニューラルネットワークを用いて複数のカテゴリからのオブジェクトも処理する。
  論文  参考訳（メタデータ） (2021-12-19T17:10:40Z)
• KeypointDeformer: Unsupervised 3D Keypoint Discovery for Shape Control [64.46042014759671]
  keypointdeformerは、自動検出された3dキーポイントによる形状制御の教師なし方式である。 本手法は, 直観的かつ意味論的に形状変形の制御を行う。
  論文  参考訳（メタデータ） (2021-04-22T17:59:08Z)
• Canonical 3D Deformer Maps: Unifying parametric and non-parametric methods for dense weakly-supervised category reconstruction [79.98689027127855]
  独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。 提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。 顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
  論文  参考訳（メタデータ） (2020-08-28T15:44:05Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。