論文の概要: 3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds
- arxiv url: http://arxiv.org/abs/2004.04962v1
- Date: Fri, 10 Apr 2020 09:24:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 21:13:29.751327
- Title: 3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds
- Title(参考訳): 3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds
- Authors: Jiale Li, Shujie Luo, Ziqi Zhu, Hang Dai, Andrey S. Krylov, Yong Ding,
and Ling Shao
- Abstract要約: 正規分類と回帰分岐に3D IoU予測分岐を付加する。
我々は,IoU感度特徴学習とIoUアライメント操作を併用した3次元IoU-Netを提案する。
KITTIカー検出ベンチマークの実験結果から,IoU知覚による3次元IoU-Netが最先端性能を実現することが示された。
- 参考スコア(独自算出の注目度): 68.44740333471792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing point cloud based 3D object detectors focus on the tasks of
classification and box regression. However, another bottleneck in this area is
achieving an accurate detection confidence for the Non-Maximum Suppression
(NMS) post-processing. In this paper, we add a 3D IoU prediction branch to the
regular classification and regression branches. The predicted IoU is used as
the detection confidence for NMS. In order to obtain a more accurate IoU
prediction, we propose a 3D IoU-Net with IoU sensitive feature learning and an
IoU alignment operation. To obtain a perspective-invariant prediction head, we
propose an Attentive Corner Aggregation (ACA) module by aggregating a local
point cloud feature from each perspective of eight corners and adaptively
weighting the contribution of each perspective with different attentions. We
propose a Corner Geometry Encoding (CGE) module for geometry information
embedding. To the best of our knowledge, this is the first time geometric
embedding information has been introduced in proposal feature learning. These
two feature parts are then adaptively fused by a multi-layer perceptron (MLP)
network as our IoU sensitive feature. The IoU alignment operation is introduced
to resolve the mismatching between the bounding box regression head and IoU
prediction, thereby further enhancing the accuracy of IoU prediction. The
experimental results on the KITTI car detection benchmark show that 3D IoU-Net
with IoU perception achieves state-of-the-art performance.
- Abstract(参考訳): 既存のポイントクラウドベースの3Dオブジェクト検出器のほとんどは、分類とボックス回帰のタスクに焦点を当てている。
しかし、この領域における別のボトルネックは、非最大抑圧(NMS)後処理の正確な検出信頼性を達成することである。
本稿では,正規分類と回帰分岐に3次元IoU予測分岐を付加する。
予測されたIoUはNMSの検出信頼度として使用される。
より正確なIoU予測を得るために,IoU感度特徴学習とIoUアライメント操作を備えた3次元IoU-Netを提案する。
視点不変予測ヘッドを得るため,8つのコーナーの各視点から局所的ポイントクラウド特徴を集約し,各視点の貢献度を異なる注意で適応的に重み付けすることにより,注意コーナー集約(aca)モジュールを提案する。
幾何情報埋め込みのためのコーナー幾何符号化(CGE)モジュールを提案する。
我々の知る限りでは,提案する特徴学習に幾何学的埋め込み情報を導入するのはこれが初めてである。
これら2つの特徴部分は、IoUの感度特性として多層パーセプトロン(MLP)ネットワークによって適応的に融合される。
IoUアライメント動作を導入して、バウンディングボックス回帰ヘッドとIoU予測とのミスマッチを解消し、IoU予測の精度をさらに高める。
KITTIカー検出ベンチマークの実験結果から,IoU知覚による3次元IoU-Netが最先端性能を実現することが示された。
関連論文リスト
- Unified-IoU: For High-Quality Object Detection [1.62877896907106]
そこで我々は,異なる品質予測ボックス間の重み付けをより重視する,Unified-IoU (UIoU) と呼ばれる新しいIoU損失関数を提案する。
提案手法は,複数のデータセット,特にIoU閾値が高い場合において,より優れた性能を実現する。
論文 参考訳(メタデータ) (2024-08-13T04:56:45Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳(メタデータ) (2022-08-24T16:54:38Z) - Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
本稿では回転分離型IoU(RDIoU)法を提案する。
我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
論文 参考訳(メタデータ) (2022-07-19T15:35:23Z) - Structure Aware and Class Balanced 3D Object Detection on nuScenes
Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。
このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。
本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文 参考訳(メタデータ) (2022-05-25T06:18:49Z) - 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) - CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point
Cloud [40.871850077528485]
我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。
CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。
公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
論文 参考訳(メタデータ) (2020-12-05T12:00:08Z) - InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic
Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。
粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。
大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文 参考訳(メタデータ) (2020-07-16T18:27:08Z) - D3Feat: Joint Learning of Dense Detection and Description of 3D Local
Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。
本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。
本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文 参考訳(メタデータ) (2020-03-06T12:51:09Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳(メタデータ) (2019-12-26T08:48:04Z)
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。