論文の概要: AFDet: Anchor Free One Stage 3D Object Detection

• arxiv url: http://arxiv.org/abs/2006.12671v2
• Date: Tue, 30 Jun 2020 07:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:10:18.544138
• Title: AFDet: Anchor Free One Stage 3D Object Detection
• Title（参考訳）: afdet: アンカーフリーワンステージ3dオブジェクト検出
• Authors: Runzhou Ge, Zhuangzhuang Ding, Yihan Hu, Yu Wang, Sijia Chen, Li Huang, Yuan Li
• Abstract要約: 高効率のクラウド3Dオブジェクト検出は、自律運転を含む多くのロボティクスアプリケーションにとって重要である。 これまでのほとんどの研究は、アンカーベースの検出手法を使って解決しようとするが、これは2つの欠点がある: 後処理は比較的複雑で計算コストが高い; アンカーパラメータのチューニングは難しい。 我々は、AFDetと呼ばれるアンカーフリーで非最大抑圧フリーの1段検出器を用いて、これらの欠点に最初に対処する。
• 参考スコア（独自算出の注目度）: 9.981769027320551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-efficiency point cloud 3D object detection operated on embedded systems is important for many robotics applications including autonomous driving. Most previous works try to solve it using anchor-based detection methods which come with two drawbacks: post-processing is relatively complex and computationally expensive; tuning anchor parameters is tricky. We are the first to address these drawbacks with an anchor free and Non-Maximum Suppression free one stage detector called AFDet. The entire AFDet can be processed efficiently on a CNN accelerator or a GPU with the simplified post-processing. Without bells and whistles, our proposed AFDet performs competitively with other one stage anchor-based methods on KITTI validation set and Waymo Open Dataset validation set.
• Abstract（参考訳）: 組み込みシステムで動作する高効率のクラウド3Dオブジェクト検出は、自律運転を含む多くのロボットアプリケーションにとって重要である。 以前のほとんどの作業は、アンカーベースの検出手法を使って解決しようとするが、これには2つの欠点がある: 処理後は比較的複雑で計算コストが高く、アンカーパラメータのチューニングは難しい。 我々は、afdetと呼ばれるアンカーフリーかつ非最大抑制フリーワンステージ検出器を用いて、これらの欠点に最初に対処した。 AFDet全体は、CNNアクセラレータまたはGPU上で、単純化された後処理で効率的に処理できる。 ベルやホイッスルがなければ,提案するAFDetは,KITTI検証セットやWaymo Open Dataset検証セット上で,他の1ステージのアンカーベースの手法と競合的に動作する。

関連論文リスト

• Open-Vocabulary Affordance Detection in 3D Point Clouds [6.4274167612662465]
  OpenAD(Open-Vocabulary Affordance Detection)法は,3次元点雲の非有界値を検出する。 提案手法では,ゼロショット検出が可能で,これまで見つからなかった値を検出することができる。
  論文  参考訳（メタデータ） (2023-03-04T12:26:47Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• FusionRCNN: LiDAR-Camera Fusion for Two-stage 3D Object Detection [11.962073589763676]
  既存の3D検出器は、2段階のパラダイムを採用することで精度を大幅に向上させる。 特に遠く離れた地点では、点雲の広がりは、LiDARのみの精製モジュールがオブジェクトを正確に認識し、配置することを困難にしている。 We propose a novel multi-modality two-stage approach called FusionRCNN, which is effective and efficient fuses point clouds and camera image in the Regions of Interest(RoI)。 FusionRCNNは、強力なSECONDベースラインを6.14%のmAPで大幅に改善し、競合する2段階アプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-09-22T02:07:25Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• 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)
• LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
  自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。 特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
  論文  参考訳（メタデータ） (2021-03-29T03:01:21Z)
• FCOS: A simple and strong anchor-free object detector [111.87691210818194]
  物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。 RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。 対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
  論文  参考訳（メタデータ） (2020-06-14T01:03:39Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)
• 3DSSD: Point-based 3D Single Stage Object Detector [61.67928229961813]
  本稿では,3DSSDと命名された点ベース3次元単段物体検出器を提案し,精度と効率のバランスが良好であることを示す。 提案手法は,最先端のボクセルをベースとした一段法を大差で上回り,二段法に匹敵する性能を有する。
  論文  参考訳（メタデータ） (2020-02-24T12:01:58Z)

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。