Fugu-MT 論文翻訳(概要): VPC-Net: Completion of 3D Vehicles from MLS Point Clouds

論文の概要: VPC-Net: Completion of 3D Vehicles from MLS Point Clouds

arxiv url: http://arxiv.org/abs/2008.03404v2
Date: Mon, 1 Feb 2021 16:32:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 11:55:18.410964
Title: VPC-Net: Completion of 3D Vehicles from MLS Point Clouds
Title（参考訳）: VPC-Net:MLS点雲からの3次元車両の完成
Authors: Yan Xia, Yusheng Xu, Cheng Wang, Uwe Stilla
Abstract要約: Vehicle Points CompletionNet (VPCNet) 本稿では,入力インスタンスからグローバルな特徴を抽出する新しいエンコーダモジュールを提案する。車両の詳細を入力から保存し、詳細な情報で完全な出力を洗練するために、新しい精細モジュールも提示される。
参考スコア（独自算出の注目度）: 16.041815273682317
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a dynamic and essential component in the road environment of urban scenarios, vehicles are the most popular investigation targets. To monitor their behavior and extract their geometric characteristics, an accurate and instant measurement of vehicles plays a vital role in traffic and transportation fields. Point clouds acquired from the mobile laser scanning (MLS) system deliver 3D information of road scenes with unprecedented detail. They have proven to be an adequate data source in the fields of intelligent transportation and autonomous driving, especially for extracting vehicles. However, acquired 3D point clouds of vehicles from MLS systems are inevitably incomplete due to object occlusion or self-occlusion. To tackle this problem, we proposed a neural network to synthesize complete, dense, and uniform point clouds for vehicles from MLS data, named Vehicle Points Completion-Net (VPC-Net). In this network, we introduce a new encoder module to extract global features from the input instance, consisting of a spatial transformer network and point feature enhancement layer. Moreover, a new refiner module is also presented to preserve the vehicle details from inputs and refine the complete outputs with fine-grained information. Given sparse and partial point clouds as inputs, the network can generate complete and realistic vehicle structures and keep the fine-grained details from the partial inputs. We evaluated the proposed VPC-Net in different experiments using synthetic and real-scan datasets and applied the results to 3D vehicle monitoring tasks. Quantitative and qualitative experiments demonstrate the promising performance of the proposed VPC-Net and show state-of-the-art results.
Abstract（参考訳）: 都市シナリオの道路環境における動的かつ不可欠な要素として、車両が最も人気のある調査対象である。車両の挙動を監視し,その幾何学的特徴を抽出するためには,車両の正確な即時測定が交通・交通分野において重要な役割を果たす。モバイルレーザースキャン(MLS)システムから取得した点雲は、前例のない詳細な道路シーンの3D情報を提供する。インテリジェントな輸送と自動運転の分野で、特に車両の抽出に十分なデータソースであることが証明されている。しかしながら、mlsシステムから取得した車両の3dポイント雲は、必然的に物体の閉塞や自閉のため不完全である。この問題に対処するため,我々はMLSデータから完全で高密度で均一な点雲を合成するニューラルネットワークを提案し,VPC-Net(Vaby Points Completion-Net)と名付けた。本稿では,空間変換器ネットワークと点特徴強調層からなる入力インスタンスからグローバルな特徴を抽出する新しいエンコーダモジュールを提案する。さらに、車両の詳細を入力から保存し、詳細な情報で完全な出力を洗練するために、新しい精細モジュールも提示される。入力としてスパースと部分点雲が与えられると、ネットワークは完全で現実的な車両構造を生成し、部分的な入力から細かな詳細を維持することができる。提案するvpc-netを合成および実scanデータセットを用いて異なる実験で評価し,その結果を3次元車両監視タスクに適用した。定量的および定性的な実験は、提案したVPC-Netの有望な性能を示し、最先端の結果を示す。

関連論文リスト

Empowering Urban Traffic Management: Elevated 3D LiDAR for Data Collection and Advanced Object Detection Analysis [4.831084635928491]
本稿では,高機能LiDARセンサのパワーを利用して,交通シナリオにおける3次元物体の検出と解析を変換する新しいフレームワークを提案する。実世界のトラフィックデータセットの取得に制限があるため、シミュレータを用いて特定のシナリオに対して3Dポイントクラウドを生成する。
論文参考訳（メタデータ） (2024-05-21T21:12:09Z)
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)
SKoPe3D: A Synthetic Dataset for Vehicle Keypoint Perception in 3D from Traffic Monitoring Cameras [26.457695296042903]
道路側から見たユニークな合成車両キーポイントデータセットであるSKoPe3Dを提案する。 SKoPe3Dには150万以上の車両インスタンスと490万のキーポイントがある。実験では、データセットの適用性と、合成データと実世界のデータ間の知識伝達の可能性を強調した。
論文参考訳（メタデータ） (2023-09-04T02:57:30Z)
HUM3DIL: Semi-supervised Multi-modal 3D Human Pose Estimation for Autonomous Driving [95.42203932627102]
3Dの人間のポーズ推定は、自動運転車が歩行者の微妙で複雑な振る舞いを知覚し理解できるようにする新しい技術である。提案手法は,これらの補完信号を半教師付き方式で効率的に利用し,既存の手法よりも大きなマージンで性能を向上する。具体的には、LiDAR点を画素整列マルチモーダル特徴に埋め込み、トランスフォーマーの精細化段階を経る。
論文参考訳（メタデータ） (2022-12-15T11:15:14Z)
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)
Collaborative 3D Object Detection for Automatic Vehicle Systems via Learnable Communications [8.633120731620307]
本稿では,3つのコンポーネントから構成される新しい3次元オブジェクト検出フレームワークを提案する。実験結果と帯域使用量分析により,本手法は通信コストと計算コストを削減できることを示した。
論文参考訳（メタデータ） (2022-05-24T07:17:32Z)
Self-supervised Point Cloud Completion on Real Traffic Scenes via Scene-concerned Bottom-up Mechanism [14.255659581428333]
ポイントクラウド補完は、オブジェクトの不完全な3Dスキャンのための完全な形状を参照することを目的としている。現在のディープラーニングベースのアプローチは、トレーニングプロセスにおける大規模な完全な形状に依存しています。本研究では,交通現場の車両に対して,完全なデータを持たない自己監視点クラウド補完手法(TraPCC)を提案する。
論文参考訳（メタデータ） (2022-03-20T14:42:37Z)
Cyber Mobility Mirror: Deep Learning-based Real-time 3D Object Perception and Reconstruction Using Roadside LiDAR [14.566471856473813]
Cyber Mobility Mirrorは、3Dオブジェクトの検出、分類、追跡、再構築のための次世代のリアルタイム交通監視システムである。実地試験の結果,試作システムでは96.99%の精度で,83.62%のリコールを達成できた。高忠実度リアルタイム交通条件は、搭載車両のGUIに3-4Hzの周波数で表示することができる。
論文参考訳（メタデータ） (2022-02-28T01:58:24Z)
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)
Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文参考訳（メタデータ） (2021-04-19T11:48:13Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。