論文の概要: A Quick Review on Recent Trends in 3D Point Cloud Data Compression
Techniques and the Challenges of Direct Processing in 3D Compressed Domain
- arxiv url: http://arxiv.org/abs/2007.05038v1
- Date: Wed, 8 Jul 2020 12:56:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 13:49:40.337125
- Title: A Quick Review on Recent Trends in 3D Point Cloud Data Compression
Techniques and the Challenges of Direct Processing in 3D Compressed Domain
- Title（参考訳）: 3dポイントクラウドデータ圧縮技術の最近の動向と3d圧縮領域における直接処理の課題
- Authors: Mohammed Javed and MD Meraz and Pavan Chakraborty
- Abstract要約: オブジェクトの検出、追跡、セグメンテーションのための3Dポイントクラウドデータの自動処理は、AIとデータサイエンスの分野における最新のトレンド研究である。
3Dポイントクラウド(LiDAR)の形で作成されているデータの量は、非常に大きいです。
研究者たちは現在、生成した大量のデータを処理するために、新しいデータ圧縮アルゴリズムを発明しようとしている。
- 参考スコア（独自算出の注目度）: 3.169089186688223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic processing of 3D Point Cloud data for object detection, tracking
and segmentation is the latest trending research in the field of AI and Data
Science, which is specifically aimed at solving different challenges of
autonomous driving cars and getting real time performance. However, the amount
of data that is being produced in the form of 3D point cloud (with LiDAR) is
very huge, due to which the researchers are now on the way inventing new data
compression algorithms to handle huge volumes of data thus generated. However,
compression on one hand has an advantage in overcoming space requirements, but
on the other hand, its processing gets expensive due to the decompression,
which indents additional computing resources. Therefore, it would be novel to
think of developing algorithms that can operate/analyse directly with the
compressed data without involving the stages of decompression and recompression
(required as many times, the compressed data needs to be operated or analyzed).
This research field is termed as Compressed Domain Processing. In this paper,
we will quickly review few of the recent state-of-the-art developments in the
area of LiDAR generated 3D point cloud data compression, and highlight the
future challenges of compressed domain processing of 3D point cloud data.
- Abstract（参考訳）: オブジェクトの検出、追跡、セグメンテーションのための3Dポイントクラウドデータの自動処理は、AIとデータサイエンスの分野における最新のトレンド研究である。
しかし、(LiDARを使った)3Dポイントクラウドの形で作成されているデータの量は極めて大きく、研究者は現在、生成した大量のデータを処理するために、新しいデータ圧縮アルゴリズムの発明を進めている。
しかし、一方の圧縮は、空間要求を克服する利点があるが、他方の処理は、余分な計算資源を注入する減圧のために高価になる。
したがって、圧縮されたデータを直接操作・分析できるアルゴリズムを、圧縮と再圧縮の段階を伴わずに開発する(何度も要求されるように、圧縮されたデータを操作または解析する必要がある)。
この研究分野はCompressed Domain Processingと呼ばれている。
本稿では,LiDARが生成する3Dポイントクラウドデータ圧縮領域における最近の最先端技術開発について概説するとともに,3Dポイントクラウドデータの圧縮ドメイン処理の今後の課題を取り上げる。
関連論文リスト
- Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。
本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
論文 参考訳（メタデータ） (2024-10-10T05:38:03Z) - PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳（メタデータ） (2024-07-19T06:29:57Z) - Building-PCC: Building Point Cloud Completion Benchmarks [0.0]
ライダー技術は都市景観における3Dデータの収集に広く応用されている。
収集された点雲データは、閉塞、信号吸収、スペクトル反射などの要因により不完全性を示すことが多い。
本稿では,これらの不完全データ処理におけるポイントクラウド補完技術の応用について検討する。
論文 参考訳（メタデータ） (2024-04-24T04:50:50Z) - 3D Point Cloud Compression with Recurrent Neural Network and Image
Compression Methods [0.0]
多くのAVアプリケーションでは、LiDARポイントクラウドデータの保存と送信が不可欠である。
データの幅と秩序のない構造のため、ポイントクラウドデータを低ボリュームに圧縮することは困難である。
圧縮アルゴリズムが空間相関を効率的に活用できる新しい3D-to-2D変換を提案する。
論文 参考訳（メタデータ） (2024-02-18T19:08:19Z) - DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields [68.94868475824575]
本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。
我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。
トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
論文 参考訳（メタデータ） (2023-11-18T21:58:28Z) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳（メタデータ） (2023-09-20T09:29:44Z) - SCoDA: Domain Adaptive Shape Completion for Real Scans [78.92028595499245]
点雲からの3D形状の完成は、特に現実世界のオブジェクトのスキャンによる難しい作業である。
合成データから実スキャン形状完了の領域適応のための新しいタスクであるSCoDAを提案する。
本稿では,知識伝達のための新しいクロスドメイン機能融合手法と,実データからの堅牢な学習のための新しいボリューム一貫性の自己学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-20T09:38:26Z) - GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D
LiDAR Segmentation [60.07812405063708]
3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。
文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。
本稿では,本研究分野における最先端技術について述べる。
論文 参考訳（メタデータ） (2022-07-20T09:06:07Z) - RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding [21.70770383279559]
ライダーは、自律運転や拡張現実に広く使われている深度測定センサーである。
ライダーが生成する大量のデータは、データストレージと送信のコストが高くなる可能性がある。
RIDDLE (Range Image Deep DeLta) と呼ばれる新しいデータ駆動レンジ画像圧縮アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-02T21:53:43Z) - Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。
我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
論文 参考訳（メタデータ） (2022-02-28T15:15:39Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-03T05:36:39Z)
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。