論文の概要: PrimiTect: Fast Continuous Hough Voting for Primitive Detection
- arxiv url: http://arxiv.org/abs/2005.07457v1
- Date: Fri, 15 May 2020 10:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:38:17.554999
- Title: PrimiTect: Fast Continuous Hough Voting for Primitive Detection
- Title（参考訳）: PrimiTect: プリミティブ検出のための高速連続Hough投票
- Authors: Christiane Sommer and Yumin Sun and Erik Bylow and Daniel Cremers
- Abstract要約: 本手法は点を平面や円錐などの異なる幾何学的プリミティブに分類し,データのコンパクトな表現につながる。
我々は、プリミティブの局所的で低次元のパラメータ化を使用して、ポイントが属するオブジェクトのタイプ、形状、ポーズを決定する。
これにより、ロボットアプリケーションでしばしば必要とされるように、計算能力の低いデバイス上での動作に適したアルゴリズムが実現されます。
- 参考スコア（独自算出の注目度）: 49.72425950418304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper tackles the problem of data abstraction in the context of 3D point
sets. Our method classifies points into different geometric primitives, such as
planes and cones, leading to a compact representation of the data. Being based
on a semi-global Hough voting scheme, the method does not need initialization
and is robust, accurate, and efficient. We use a local, low-dimensional
parameterization of primitives to determine type, shape and pose of the object
that a point belongs to. This makes our algorithm suitable to run on devices
with low computational power, as often required in robotics applications. The
evaluation shows that our method outperforms state-of-the-art methods both in
terms of accuracy and robustness.
- Abstract（参考訳）: 本稿では3次元点集合の文脈におけるデータ抽象化の問題に取り組む。
本手法は点を平面や円錐などの異なる幾何学的プリミティブに分類し,データのコンパクトな表現へと導く。
半グローバルなハフ投票方式に基づいており、初期化は必要とせず、堅牢で正確で効率的である。
我々はプリミティブの局所的低次元パラメータ化を用いて、ある点が属する対象のタイプ、形状、ポーズを決定する。
これにより、ロボットアプリケーションでしばしば必要とされる計算能力の低いデバイス上での動作に適している。
評価の結果,本手法は精度とロバスト性の両方において最先端手法よりも優れていることがわかった。
関連論文リスト
- A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - Marching-Primitives: Shape Abstraction from Signed Distance Function [29.7543198254021]
本稿では,SDF から直接原始的抽象化を得るために,マーチング・プリミティブと呼ばれる新しい手法を提案する。
本手法は, ボクセルの接続性を解析することにより, 幾何的プリミティブを反復的に成長させる。
合成および実世界の両方のデータセットにおいて,本手法の性能を評価する。
論文 参考訳（メタデータ） (2023-03-23T11:42:35Z) - Fitting and recognition of geometric primitives in segmented 3D point
clouds using a localized voting procedure [1.8352113484137629]
投票手順によって各タイプの原始パラメータを初期推定できる点雲処理手法を提案する。
これらの推定値を用いることで、最適解の探索を次元的に還元された空間に局所化し、HT を文献で一般的に見られるものよりもより原始的に拡張することが効率的となる。
論文 参考訳（メタデータ） (2022-05-30T20:47:43Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳（メタデータ） (2022-04-25T02:41:46Z) - Sim2Real 3D Object Classification using Spherical Kernel Point
Convolution and a Deep Center Voting Scheme [28.072144989298298]
人工的な3dモデルからの学習は、この問題に取り組むのに必要なアノテーションのコストを軽減する。
これらの問題の原因は、多くの方法が形状の代わりに点座標から直接学習するという事実であると推測する。
グラフとして表される物体表面を直接利用する球状核点畳み込みと、貧弱なセグメンテーションの影響を制限する投票方式を紹介します。
論文 参考訳（メタデータ） (2021-03-10T15:32:04Z) - 1-Point RANSAC-Based Method for Ground Object Pose Estimation [5.954779483701331]
オブジェクトのポーズは、RANSACベースのスキームでn = 3, 4を検出するアルゴリズムで計算される。
しかし、計算複雑性はnとともに増加し、高い複雑性は複数のオブジェクトのポーズをリアルタイムで推定するデバイスに深刻な歪みを課す。
本論文では,1点RANSACに基づくオブジェクトのポーズを地上で推定する効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-08-09T12:58:58Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Aligning Partially Overlapping Point Sets: an Inner Approximation
Algorithm [80.15123031136564]
変換の値に関する事前情報がない点集合を整列するロバストな手法を提案する。
我々のアルゴリズムは変換の正規化を必要とせず、変換の値に関する事前情報がない状況に対処できる。
実験により,提案手法が最先端のアルゴリズムよりも高いロバスト性を示した。
論文 参考訳（メタデータ） (2020-07-05T15:23:33Z) - Learning to Detect Entanglement [1.4763055441508717]
絡み合った状態や分離可能な状態の分類は基本的な作業だが、コストがかかる作業である。
本稿では,絡みを検知するために必要な資源量を改善する手法であるフォレストアルゴリズムを提案する。
論文 参考訳（メタデータ） (2017-09-11T22:47:24Z)
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。