論文の概要: SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds

• arxiv url: http://arxiv.org/abs/2004.02774v1
• Date: Mon, 6 Apr 2020 16:01:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 07:03:46.326373
• Title: SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds
• Title（参考訳）: SSN:ポイントクラウドからの複数クラス物体検出のための形状署名ネットワーク
• Authors: Xinge Zhu, Yuexin Ma, Tai Wang, Yan Xu, Jianping Shi, Dahua Lin
• Abstract要約: 点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
• 参考スコア（独自算出の注目度）: 96.51884187479585
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-class 3D object detection aims to localize and classify objects of multiple categories from point clouds. Due to the nature of point clouds, i.e. unstructured, sparse and noisy, some features benefit-ting multi-class discrimination are underexploited, such as shape information. In this paper, we propose a novel 3D shape signature to explore the shape information from point clouds. By incorporating operations of symmetry, convex hull and chebyshev fitting, the proposed shape sig-nature is not only compact and effective but also robust to the noise, which serves as a soft constraint to improve the feature capability of multi-class discrimination. Based on the proposed shape signature, we develop the shape signature networks (SSN) for 3D object detection, which consist of pyramid feature encoding part, shape-aware grouping heads and explicit shape encoding objective. Experiments show that the proposed method performs remarkably better than existing methods on two large-scale datasets. Furthermore, our shape signature can act as a plug-and-play component and ablation study shows its effectiveness and good scalability
• Abstract（参考訳）: マルチクラス3Dオブジェクト検出は、ポイントクラウドから複数のカテゴリのオブジェクトをローカライズし分類することを目的としている。 点雲の性質、すなわち、非構造化、スパース、ノイズのため、形状情報など、マルチクラスの識別に有利な特徴が不足している。 本稿では,点雲からの形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 音にも頑健であり, マルチクラスの識別能力を向上させるためのソフト制約として機能する。 提案した形状シグネチャに基づいて、ピラミッド特徴符号化部、形状認識型グループ化ヘッド、明示的形状符号化目的からなる3次元物体検出のための形状シグネチャネットワーク(SSN)を開発した。 実験により,提案手法は2つの大規模データセットの既存手法よりも著しく優れた性能を示した。 さらに、形状シグネチャはプラグアンドプレイコンポーネントとして機能し、アブレーション研究は、その有効性と優れたスケーラビリティを示す。

関連論文リスト

• Learning Unsigned Distance Fields from Local Shape Functions for 3D Surface Reconstruction [42.840655419509346]
  本稿では, 局所形状関数を利用してUDFを学習し, 3次元点雲から表面を再構成する新しいニューラルネットワーク, LoSF-UDFを提案する。 3D形状は局所的な領域で単純なパターンを示すので、ポイントクラウドパッチのトレーニングデータセットを作成するのに役立ちます。 提案手法は,各問合せ点付近の特定の半径内の特徴を学習し,注意機構を用いてUDF推定の重要な特徴に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-01T14:39:03Z)
• Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
  そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。 具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
  論文  参考訳（メタデータ） (2023-12-17T04:50:24Z)
• MS23D: A 3D Object Detection Method Using Multi-Scale Semantic Feature Points to Construct 3D Feature Layer [4.644319899528183]
  LiDAR点雲は、三次元空間における物体の動きと姿勢を効果的に描写することができる。 自律運転のシナリオでは、点雲の空間性と空洞性は、ボクセルベースの方法にいくつかの困難をもたらす。 我々はMS23Dと呼ばれる2段階の3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:03:25Z)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• ABD-Net: Attention Based Decomposition Network for 3D Point Cloud Decomposition [1.3999481573773074]
  本稿では,ポイントクラウド分解のためのアテンションベース分解ネットワーク(ABD-Net)を提案する。 点雲の原始形状に基づく注意特徴を用いた3次元オブジェクト分類の性能向上を示す。
  論文  参考訳（メタデータ） (2021-07-09T08:39:30Z)
• SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
  LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。 そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T07:45:09Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。