論文の概要: 3D Object Detection Method Based on YOLO and K-Means for Image and Point Clouds

• arxiv url: http://arxiv.org/abs/2005.02132v1
• Date: Tue, 21 Apr 2020 04:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 07:25:22.352240
• Title: 3D Object Detection Method Based on YOLO and K-Means for Image and Point Clouds
• Title（参考訳）: YOLOとK平均を用いた画像・点雲の3次元物体検出法
• Authors: Xuanyu Yin, Yoko Sasaki, Weimin Wang, Kentaro Shimizu
• Abstract要約: ライダーに基づく3Dオブジェクト検出と分類タスクは、自動運転に不可欠である。 本稿では,点雲と画像に基づく3次元物体検出手法を提案する。
• 参考スコア（独自算出の注目度）: 1.9458156037869139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lidar based 3D object detection and classification tasks are essential for autonomous driving(AD). A lidar sensor can provide the 3D point cloud data reconstruction of the surrounding environment. However, real time detection in 3D point clouds still needs a strong algorithmic. This paper proposes a 3D object detection method based on point cloud and image which consists of there parts.(1)Lidar-camera calibration and undistorted image transformation. (2)YOLO-based detection and PointCloud extraction, (3)K-means based point cloud segmentation and detection experiment test and evaluation in depth image. In our research, camera can capture the image to make the Real-time 2D object detection by using YOLO, we transfer the bounding box to node whose function is making 3d object detection on point cloud data from Lidar. By comparing whether 2D coordinate transferred from the 3D point is in the object bounding box or not can achieve High-speed 3D object recognition function in GPU. The accuracy and precision get imporved after k-means clustering in point cloud. The speed of our detection method is a advantage faster than PointNet.
• Abstract（参考訳）: lidarベースの3dオブジェクト検出および分類タスクは、自動運転(ad)に必須である。 lidarセンサーは、周囲の環境の3dポイントクラウドデータ再構成を提供することができる。 しかし、3Dポイントクラウドでのリアルタイム検出には強力なアルゴリズムが必要である。 本稿では,ポイントクラウドに基づく3次元物体検出法と,その部分からなる画像を提案する。 1)ライダーカメラキャリブレーションと歪み画像変換 2)YOLOによる検出とポイントクラウド抽出,(3)K平均の点雲分割と検出実験,深度画像の評価。 そこで本研究では, リアルタイム2次元物体検出を行うために, リアルタイム2次元物体検出をYOLOを用いて行うことにより, リダーから3次元物体検出を行う機能を持つノードにバウンディングボックスを転送する。 3dポイントから転送される2d座標がオブジェクトバウンディングボックス内であるかどうかを比較することで、gpuで高速3dオブジェクト認識機能を実現することができる。 ポイントクラウドでのk平均クラスタリングによって、精度と精度が損なわれる。 検出手法の速度はPointNetよりも高速である。

関連論文リスト

• Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection [85.08249413137558]
  LiDARが生成する点雲は、最先端の3Dオブジェクト検出器の主要な情報源である。 小さい、遠く、不完全な点の少ない物体は、しばしば検出するのが困難である。 Sparse2Denseは、潜在空間における点雲の密度化を学習することで、3D検出性能を効率的に向上する新しいフレームワークである。
  論文  参考訳（メタデータ） (2022-11-23T16:01:06Z)
• Boosting 3D Object Detection via Object-Focused Image Fusion [33.616129400275156]
  本稿では,画像情報をポイント特徴に融合するDeMFを提案する。 本稿では,SUN RGB-Dデータセットの課題について検討する。
  論文  参考訳（メタデータ） (2022-07-21T16:32:05Z)
• Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data [80.14669385741202]
  本稿では,自律運転データに適した3次元知覚モデルのための自己教師付き事前学習手法を提案する。 我々は、自動走行装置における同期・校正画像とLidarセンサーの可用性を活用している。 私たちのメソッドは、ポイントクラウドや画像アノテーションを一切必要としません。
  論文  参考訳（メタデータ） (2022-03-30T12:40:30Z)
• VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and Stereo Data Fusion [62.24001258298076]
  VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。 当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
  論文  参考訳（メタデータ） (2021-11-29T08:51:20Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• Group-Free 3D Object Detection via Transformers [26.040378025818416]
  3Dポイントクラウドから3Dオブジェクトを直接検出するためのシンプルで効果的な方法を紹介します。 本手法は, 点群内のすべての点から物体の特徴を, 変圧器 citevaswaniattention における注意機構の助けを借りて計算する。 ベルやホイッスルが少ないため,ScanNet V2とSUN RGB-Dの2つのベンチマークで最先端の3Dオブジェクト検出性能を実現する。
  論文  参考訳（メタデータ） (2021-04-01T17:59:36Z)
• RoIFusion: 3D Object Detection from LiDAR and Vision [7.878027048763662]
  本稿では,3次元関心領域(RoI)の集合を点雲から対応する画像の2次元ロIに投影することで,新しい融合アルゴリズムを提案する。 提案手法は,KITTI 3Dオブジェクト検出課題ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-09-09T20:23:27Z)
• YOLO and K-Means Based 3D Object Detection Method on Image and Point Cloud [1.9458156037869139]
  ライダーに基づく3Dオブジェクト検出と分類タスクは、自動走行に不可欠である。 本論文は三部構成である。 カメラは、この画像をキャプチャしてリアルタイム2Dオブジェクト検出を行うことができる。 3Dポイントから転送される2D座標がオブジェクトバウンディングボックス内にあるか否かを比較し、k平均クラスタリングを行うことでGPUにおける高速な3Dオブジェクト認識機能を実現することができる。
  論文  参考訳（メタデータ） (2020-04-21T03:08:46Z)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)
• Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds [32.916690488130506]
  本稿では,3次元検出器が境界を意識して点雲の最も密集した領域に焦点を合わせるのを支援する普遍モジュールを提案する。 KITTIデータセットの実験により、DENFIはベースライン単段検出器の性能を著しく改善することが示された。
  論文  参考訳（メタデータ） (2020-04-01T01:21:23Z)
• ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes [93.82668222075128]
  RGB-Dシーンに対するImVoteNetと呼ばれる3次元検出アーキテクチャを提案する。 ImVoteNetは、画像に2D票、ポイントクラウドに3D票を投じることに基づいている。 挑戦的なSUN RGB-Dデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-01-29T05:09:28Z)

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。