論文の概要: Uncertainty-aware Self-supervised 3D Data Association
- arxiv url: http://arxiv.org/abs/2008.08173v1
- Date: Tue, 18 Aug 2020 22:34:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:06:03.365661
- Title: Uncertainty-aware Self-supervised 3D Data Association
- Title(参考訳): 不確実性を考慮した自己監督型3Dデータアソシエーション
- Authors: Jianren Wang, Siddharth Ancha, Yi-Ting Chen, David Held
- Abstract要約: 本稿では3次元オブジェクトトラッカーの自己教師付きメトリック学習による膨大なラベルなしデータセットの活用を提案する。
これらの自己教師付きアノテーションが、ポイントクラウドの埋め込みを学習するために、原則的にどのように使用できるかを示す。
我々は、フレーム間でオブジェクトを区別するために埋め込みを設計し、不確実性を認識した自己教師型トレーニングを用いてそれらを学ぶ。
- 参考スコア(独自算出の注目度): 20.853544785595343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D object trackers usually require training on large amounts of annotated
data that is expensive and time-consuming to collect. Instead, we propose
leveraging vast unlabeled datasets by self-supervised metric learning of 3D
object trackers, with a focus on data association. Large scale annotations for
unlabeled data are cheaply obtained by automatic object detection and
association across frames. We show how these self-supervised annotations can be
used in a principled manner to learn point-cloud embeddings that are effective
for 3D tracking. We estimate and incorporate uncertainty in self-supervised
tracking to learn more robust embeddings, without needing any labeled data. We
design embeddings to differentiate objects across frames, and learn them using
uncertainty-aware self-supervised training. Finally, we demonstrate their
ability to perform accurate data association across frames, towards effective
and accurate 3D tracking. Project videos and code are at
https://jianrenw.github.io/Self-Supervised-3D-Data-Association.
- Abstract(参考訳): 3dオブジェクトトラッカーは通常、高価で収集に時間がかかる大量の注釈付きデータのトレーニングを必要とする。
代わりに、3dオブジェクトトラッカの自己教師付きメトリックラーニングによる膨大なラベルなしデータセットの活用を提案する。
非ラベルデータに対する大規模なアノテーションは、フレーム間の自動オブジェクト検出とアソシエーションによって安価に得られる。
3d追跡に有効なポイントクラウド埋め込みを学ぶために,これらの自己教師付きアノテーションを原則的に利用できることを示す。
ラベル付きデータを必要とせずに、より堅牢な埋め込みを学習するために、自己教師付きトラッキングの不確実性を推定し、組み込む。
フレーム間でオブジェクトを区別するために埋め込みを設計し、不確実性を認識した自己教師付きトレーニングを使って学習します。
最後に,有効かつ正確な3次元追跡に向けて,フレーム間で正確なデータアソシエーションを行う能力を示す。
プロジェクトビデオとコードはhttps://jianrenw.github.io/Self-Supervised-3D-Data-Associationにある。
関連論文リスト
- Shelf-Supervised Cross-Modal Pre-Training for 3D Object Detection [52.66283064389691]
最先端の3Dオブジェクト検出器は、しばしば大量のラベル付きデータセットで訓練される。
近年の研究では、ラベル付きデータによる自己教師付き事前学習が、ラベル付きラベルによる検出精度を向上させることが示されている。
組合わせRGBとLiDARデータからゼロショット3Dバウンディングボックスを生成するためのシェルフ制御手法を提案する。
論文 参考訳(メタデータ) (2024-06-14T15:21:57Z) - SeMoLi: What Moves Together Belongs Together [51.72754014130369]
動作手がかりに基づく半教師付き物体検出に挑戦する。
近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。
我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文 参考訳(メタデータ) (2024-02-29T18:54:53Z) - View-to-Label: Multi-View Consistency for Self-Supervised 3D Object
Detection [46.077668660248534]
本稿では,RGBシーケンスのみから,自己監督型3Dオブジェクト検出を行う手法を提案する。
KITTI 3Dデータセットを用いた実験では,最先端の自己管理手法と同等の性能を示した。
論文 参考訳(メタデータ) (2023-05-29T09:30:39Z) - S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation
with Semi-Supervised Learning [70.72037296392642]
モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。
具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。
より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
論文 参考訳(メタデータ) (2022-08-01T14:05:23Z) - 3D Object Detection with a Self-supervised Lidar Scene Flow Backbone [10.341296683155973]
本稿では,下流3次元視覚タスクのための汎用クラウドバックボーンモデルを学習するために,自己指導型トレーニング戦略を提案する。
我々の主な貢献は、学習の流れと動きの表現を活用し、自己教師付きバックボーンと3D検出ヘッドを組み合わせることである。
KITTIとnuScenesベンチマークの実験により、提案した自己教師付き事前学習は3次元検出性能を著しく向上させることが示された。
論文 参考訳(メタデータ) (2022-05-02T07:53:29Z) - Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling [18.209409027211404]
3次元物体検出はコンピュータビジョンにおいて重要な課題である。
既存のほとんどのメソッドでは、多くの高品質な3Dアノテーションが必要です。
本研究では,屋外3次元物体検出タスクのための擬似ラベルに基づく新しい半教師付きフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-15T02:58:43Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。
移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-12T15:30:02Z) - Tracking from Patterns: Learning Corresponding Patterns in Point Clouds
for 3D Object Tracking [34.40019455462043]
本稿では,時間点雲データから3次元オブジェクト対応を学習し,対応パターンから動き情報を推測する。
提案手法は,KITTIと大規模Nuscenesデータセットの双方において,既存の3次元追跡手法を超えている。
論文 参考訳(メタデータ) (2020-10-20T06:07:20Z) - PointContrast: Unsupervised Pre-training for 3D Point Cloud
Understanding [107.02479689909164]
本研究では,3次元表現学習の研究を支援することを目的とする。
教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
論文 参考訳(メタデータ) (2020-07-21T17:59:22Z)
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。