論文の概要: Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection

• arxiv url: http://arxiv.org/abs/2006.04356v1
• Date: Mon, 8 Jun 2020 05:15:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 01:33:22.148783
• Title: Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection
• Title（参考訳）: Associate-3Ddet: 3Dポイントクラウドオブジェクト検出のための知覚対概念アソシエーション
• Authors: Liang Du and Xiaoqing Ye and Xiao Tan and Jianfeng Feng and Zhenbo Xu and Errui Ding and Shilei Wen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.2159881697615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection from 3D point clouds remains a challenging task, though recent studies pushed the envelope with the deep learning techniques. Owing to the severe spatial occlusion and inherent variance of point density with the distance to sensors, appearance of a same object varies a lot in point cloud data. Designing robust feature representation against such appearance changes is hence the key issue in a 3D object detection method. In this paper, we innovatively propose a domain adaptation like approach to enhance the robustness of the feature representation. More specifically, we bridge the gap between the perceptual domain where the feature comes from a real scene and the conceptual domain where the feature is extracted from an augmented scene consisting of non-occlusion point cloud rich of detailed information. This domain adaptation approach mimics the functionality of the human brain when proceeding object perception. Extensive experiments demonstrate that our simple yet effective approach fundamentally boosts the performance of 3D point cloud object detection and achieves the state-of-the-art results.
• Abstract（参考訳）: 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。 重度の空間的閉塞とセンサーまでの距離による点密度の固有のばらつきのため、同じ物体の出現は点雲データによって大きく異なる。 このような外観変化に対してロバストな特徴表現を設計することは、3dオブジェクト検出方法の重要な問題である。 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革新的に提案する。 より具体的には、その特徴が実際のシーンから来る知覚領域と、その特徴が詳細な情報に富んだ非閉塞点雲からなる拡張シーンから抽出される概念領域とのギャップを橋渡しする。 このドメイン適応アプローチは、物体知覚を進める際に人間の脳の機能を模倣する。 広範な実験によって、当社の単純かつ効果的なアプローチが3dポイントクラウドオブジェクト検出のパフォーマンスを根本的に向上させ、最先端の成果を達成できることが示されています。

関連論文リスト

• MS23D: A 3D Object Detection Method Using Multi-Scale Semantic Feature Points to Construct 3D Feature Layer [4.644319899528183]
  LiDAR点雲は、三次元空間における物体の動きと姿勢を効果的に描写することができる。 自律運転のシナリオでは、点雲の空間性と空洞性は、ボクセルベースの方法にいくつかの困難をもたらす。 我々はMS23Dと呼ばれる2段階の3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:03:25Z)
• Surface-biased Multi-Level Context 3D Object Detection [1.9723551683930771]
  本研究は,高効率表面偏光特性抽出法(wang2022rbgnet)を用いて3次元点雲中の物体検出タスクに対処する。 本稿では,オブジェクト候補の正確な特徴表現を抽出し,点パッチやオブジェクト候補,グローバルシーンにおける自己注意を活用する3Dオブジェクト検出手法を提案する。
  論文  参考訳（メタデータ） (2023-02-13T11:50:04Z)
• 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)
• ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
  我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。 これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。 我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
  論文  参考訳（メタデータ） (2022-03-31T17:52:12Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• 3D Object Detection for Autonomous Driving: A Survey [14.772968858398043]
  3次元物体検出は、そのような知覚システムの中核となる基礎となる。 既存の努力にもかかわらず、ポイントクラウド上の3Dオブジェクト検出はまだ初期段階にある。 近年, プロスとコンスを用いた最先端検出法が提案されている。
  論文  参考訳（メタデータ） (2021-06-21T03:17:20Z)
• Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion [38.05362492645094]
  現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。 我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。 3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:13:20Z)
• 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)

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。