Fugu-MT 論文翻訳(概要): Drosophila-Inspired 3D Moving Object Detection Based on Point Clouds

論文の概要: Drosophila-Inspired 3D Moving Object Detection Based on Point Clouds

arxiv url: http://arxiv.org/abs/2005.02696v1
Date: Wed, 6 May 2020 10:04:23 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 05:52:05.378744
Title: Drosophila-Inspired 3D Moving Object Detection Based on Point Clouds
Title（参考訳）: 点雲に基づくショウジョウバエの3次元運動物体検出
Authors: Li Wang, Dawei Zhao, Tao Wu, Hao Fu, Zhiyu Wang, Liang Xiao, Xin Xu and Bin Dai
Abstract要約: 我々はショウジョウバエの浅部視覚神経経路に基づく運動検出装置を開発した。この検出器は物体の動きに敏感であり、背景雑音を十分に抑制することができる。次に、改良された3Dオブジェクト検出ネットワークを用いて、各提案の点雲を推定し、3D境界ボックスとオブジェクトカテゴリを効率的に生成する。
参考スコア（独自算出の注目度）: 22.850519892606716
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D moving object detection is one of the most critical tasks in dynamic scene analysis. In this paper, we propose a novel Drosophila-inspired 3D moving object detection method using Lidar sensors. According to the theory of elementary motion detector, we have developed a motion detector based on the shallow visual neural pathway of Drosophila. This detector is sensitive to the movement of objects and can well suppress background noise. Designing neural circuits with different connection modes, the approach searches for motion areas in a coarse-to-fine fashion and extracts point clouds of each motion area to form moving object proposals. An improved 3D object detection network is then used to estimate the point clouds of each proposal and efficiently generates the 3D bounding boxes and the object categories. We evaluate the proposed approach on the widely-used KITTI benchmark, and state-of-the-art performance was obtained by using the proposed approach on the task of motion detection.
Abstract（参考訳）: 3次元移動物体検出は動的シーン解析において最も重要な課題の一つである。本稿では,リダセンサを用いたショウジョウバエの3次元移動物体検出手法を提案する。基本運動検出器の理論によれば,我々はショウジョウバエの浅い視覚神経経路に基づく運動検出器を開発した。この検出器は物体の動きに敏感であり、背景ノイズを抑制することができる。異なる接続モードを持つニューラル回路を設計することで,動き領域を粗い方法で探索し,各動き領域の点雲を抽出して移動物体提案を生成する。改良された3dオブジェクト検出ネットワークを使用して、各提案のポイントクラウドを推定し、3dバウンディングボックスとオブジェクトカテゴリを効率的に生成する。提案手法を広範に活用したKITTIベンチマークにおいて評価し,動作検出の課題に対する提案手法を用いて最先端性能を得た。

関連論文リスト

SeMoLi: What Moves Together Belongs Together [51.72754014130369]
動作手がかりに基づく半教師付き物体検出に挑戦する。近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文参考訳（メタデータ） (2024-02-29T18:54:53Z)
Detecting Moving Objects Using a Novel Optical-Flow-Based Range-Independent Invariant [0.0]
本稿では,時間的瞬間や3次元の点の範囲,カメラの速度によらず,一貫した2次元不変画像を出力する光フロー変換を提案する。新しい領域では、予め定義されたルックアップ画像の値から逸脱した3D点の投影を、静止した3D環境に対する移動として明確に識別することができる。
論文参考訳（メタデータ） (2023-10-14T17:42:19Z)
Ego-Motion Estimation and Dynamic Motion Separation from 3D Point Clouds for Accumulating Data and Improving 3D Object Detection [0.1474723404975345]
高解像度レーダーセンサーの1つは、ライダーセンサーと比較して、生成された点雲の空間性である。このコントリビューションは、View-of-Delftデータセット上のレーダーポイント雲の蓄積制限を分析する。エゴモーション推定と動的動き補正を応用して物体検出性能を向上させる実験を行った。
論文参考訳（メタデータ） (2023-08-29T14:53:16Z)
Delving into Motion-Aware Matching for Monocular 3D Object Tracking [81.68608983602581]
異なる時間軸に沿った物体の運動キューが3次元多物体追跡において重要であることが判明した。 3つの動き認識コンポーネントからなるフレームワークであるMoMA-M3Tを提案する。我々はnuScenesとKITTIデータセットに関する広範な実験を行い、MoMA-M3Tが最先端の手法と競合する性能を発揮することを実証した。
論文参考訳（メタデータ） (2023-08-22T17:53:58Z)
DetZero: Rethinking Offboard 3D Object Detection with Long-term Sequential Point Clouds [55.755450273390004]
既存のオフボード3D検出器は、無限の逐次点雲を利用するために常にモジュラーパイプライン設計に従っている。その結果, 物体の運動状態は, 物体中心の精製段階において必然的な課題となること, 物体の運動状態は, 物体軌道を十分に生成できないこと, 物体中心の精製段階において必然的な課題となること, の2つの理由から, オフボード型3D検出器の完全なポテンシャルは明らかにされていないことがわかった。これらの問題に対処するために,DetZero という,オフボード型3次元物体検出の新たなパラダイムを提案する。
論文参考訳（メタデータ） (2023-06-09T16:42:00Z)
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)
A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
論文参考訳（メタデータ） (2022-03-08T17:49:07Z)
A Versatile Multi-View Framework for LiDAR-based 3D Object Detection with Guidance from Panoptic Segmentation [9.513467995188634]
LiDARデータを用いた3Dオブジェクト検出は、自律運転システムにとって必須のコンポーネントである。本稿では,3次元物体検出とパノプティックセグメンテーションを共同で行う新しいマルチタスクフレームワークを提案する。
論文参考訳（メタデータ） (2022-03-04T04:57:05Z)
Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-10-13T17:59:38Z)
A Bioinspired Approach-Sensitive Neural Network for Collision Detection in Cluttered and Dynamic Backgrounds [19.93930316898735]
移動中の物体の迅速かつ堅牢な検出は、ロボット視覚システムにとって重要かつ困難な問題である。哺乳類網膜における神経回路の初等視覚にインスパイアされた,バイオインスパイアされたアプローチ感受性ニューラルネットワーク(AS)を提案する。提案手法は, クラッタや動的背景の衝突を高精度かつロバストに検出するだけでなく, 位置や方向などの衝突情報を抽出し, 迅速な意思決定を支援する。
論文参考訳（メタデータ） (2021-03-01T09:16:18Z)
Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
論文参考訳（メタデータ） (2020-06-08T05:15:06Z)

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。