論文の概要: Bi3D: Stereo Depth Estimation via Binary Classifications
- arxiv url: http://arxiv.org/abs/2005.07274v2
- Date: Mon, 1 Jun 2020 16:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 05:33:13.850057
- Title: Bi3D: Stereo Depth Estimation via Binary Classifications
- Title(参考訳): bi3d:バイナリ分類によるステレオ深度推定
- Authors: Abhishek Badki, Alejandro Troccoli, Kihwan Kim, Jan Kautz, Pradeep
Sen, Orazio Gallo
- Abstract要約: 本稿では,一連のバイナリ分類を用いて深度を推定する手法であるBi3Dを提案する。
厳格な時間予算を考えれば、Bi3Dは数ミリ秒で特定の距離より近い物体を検出できる。
標準的なステレオ(すなわち全範囲の連続的な深さ)では、我々の手法は最先端の細かな調整されたステレオ手法に近いか同等である。
- 参考スコア(独自算出の注目度): 129.1582262491508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stereo-based depth estimation is a cornerstone of computer vision, with
state-of-the-art methods delivering accurate results in real time. For several
applications such as autonomous navigation, however, it may be useful to trade
accuracy for lower latency. We present Bi3D, a method that estimates depth via
a series of binary classifications. Rather than testing if objects are at a
particular depth $D$, as existing stereo methods do, it classifies them as
being closer or farther than $D$. This property offers a powerful mechanism to
balance accuracy and latency. Given a strict time budget, Bi3D can detect
objects closer than a given distance in as little as a few milliseconds, or
estimate depth with arbitrarily coarse quantization, with complexity linear
with the number of quantization levels. Bi3D can also use the allotted
quantization levels to get continuous depth, but in a specific depth range. For
standard stereo (i.e., continuous depth on the whole range), our method is
close to or on par with state-of-the-art, finely tuned stereo methods.
- Abstract(参考訳): ステレオベースの深度推定はコンピュータビジョンの基盤であり、最先端の手法がリアルタイムで正確な結果をもたらす。
しかし、自律ナビゲーションのようないくつかのアプリケーションでは、レイテンシの低い精度の交換が有用である。
本稿では,一連のバイナリ分類を用いて深度を推定する手法であるBi3Dを提案する。
既存のステレオメソッドのように、オブジェクトが特定の深さで$d$かどうかをテストするのではなく、$d$よりも近いか遠くにあると分類する。
この特性は、精度とレイテンシをバランスさせる強力なメカニズムを提供する。
厳密な時間予算が与えられると、bi3dは数ミリ秒で与えられた距離より近い物体を検知したり、任意に粗い量子化で深さを推定したりできる。
bi3dはまた、量子化レベルを割り当てて連続深度を得ることもできるが、特定の深さ範囲で処理することができる。
標準的なステレオ(すなわち全範囲の連続的な深さ)では、我々の手法は最先端の細かな調整されたステレオ手法に近いか同等である。
関連論文リスト
- MonoCD: Monocular 3D Object Detection with Complementary Depths [9.186673054867866]
深度推定は単分子3次元物体検出に不可欠だが挑戦的なサブタスクである。
2つの新しい設計で深度の相補性を高めることを提案する。
KITTIベンチマーク実験により, 余分なデータを導入することなく, 最先端の性能を実現することができた。
論文 参考訳(メタデータ) (2024-04-04T03:30:49Z) - Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。
我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。
我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2022-07-26T15:48:46Z) - 360 Depth Estimation in the Wild -- The Depth360 Dataset and the SegFuse
Network [35.03201732370496]
全方位画像からの一視点深度推定は、自律運転やシーン再構築といった幅広い応用で人気を博している。
本研究ではまず,トレーニングデータ問題に対処するため,Depth360と呼ばれるさまざまな設定の大規模データセットを構築した。
次に、人間の眼を模倣してデータセットから効果的に学習する、エンドツーエンドのマルチタスク学習ネットワークであるSegFuseを提案する。
論文 参考訳(メタデータ) (2022-02-16T11:56:31Z) - Depth Refinement for Improved Stereo Reconstruction [13.941756438712382]
立体画像からの深度推定の現在の技術は、なおも内蔵の欠点に悩まされている。
簡単な解析により、深度誤差は物体の距離に2乗比例することが明らかになった。
本研究では,深度推定に改良ネットワークを用いた簡易かつ効果的な手法を提案する。
論文 参考訳(メタデータ) (2021-12-15T12:21:08Z) - M3DSSD: Monocular 3D Single Stage Object Detector [82.25793227026443]
特徴アライメントと非対称非局所的注意を有するモノクロ3次元単段物体検出器(M3DSSD)を提案する。
提案したM3DSSDは,KITTIデータセット上のモノラルな3Dオブジェクト検出手法よりも大幅に性能が向上する。
論文 参考訳(メタデータ) (2021-03-24T13:09:11Z) - Stereo Object Matching Network [78.35697025102334]
本稿では,画像からの2次元コンテキスト情報と3次元オブジェクトレベル情報の両方を利用するステレオオブジェクトマッチング手法を提案する。
コストボリューム空間における3次元オブジェクト性を扱うための新しい方法として, 選択的サンプリング (RoISelect) と 2D-3D 融合がある。
論文 参考訳(メタデータ) (2021-03-23T12:54:43Z) - PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。
この2つのタスクを同一のメトリック空間で統一するモデルを提案する。
提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文 参考訳(メタデータ) (2021-01-17T05:11:38Z) - Center3D: Center-based Monocular 3D Object Detection with Joint Depth
Understanding [3.4806267677524896]
Center3Dは、1段のアンカーフリーアプローチで、3Dの位置と深さを効率的に推定する。
2次元中心と3次元中心の差を利用して、常に深さを推定することができる。
最先端の検出器と比較すると、Center3Dはリアルタイム単分子物体検出において最高の速度精度のトレードオフを達成した。
論文 参考訳(メタデータ) (2020-05-27T15:29:09Z) - DELTAS: Depth Estimation by Learning Triangulation And densification of
Sparse points [14.254472131009653]
多視点ステレオ (MVS) は, 能動深度センシングの精度と単眼深度推定の実用性の間の黄金平均値である。
3次元畳み込みニューラルネットワーク(CNN)を用いたコストボリュームベースのアプローチにより、MVSシステムの精度が大幅に向上した。
まず、(a)興味点の記述子を検出して評価し、次に(b)興味点の小さな集合をマッチングして三角測量し、最後に(c)CNNを用いてこのスパースな3D点の集合を密度化することで、効率的な深さ推定手法を提案する。
論文 参考訳(メタデータ) (2020-03-19T17:56:41Z) - Don't Forget The Past: Recurrent Depth Estimation from Monocular Video [92.84498980104424]
私たちは3つの異なる種類の深さ推定を共通のフレームワークに組み込んだ。
提案手法は, 時系列の深度マップを生成する。
モノクロビデオにのみ適用したり、異なる種類のスパース深度パターンと組み合わせたりすることができる。
論文 参考訳(メタデータ) (2020-01-08T16:50:51Z)
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。