論文の概要: Joint Pose and Shape Estimation of Vehicles from LiDAR Data
- arxiv url: http://arxiv.org/abs/2009.03964v1
- Date: Tue, 8 Sep 2020 19:22:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:22:06.536036
- Title: Joint Pose and Shape Estimation of Vehicles from LiDAR Data
- Title(参考訳): LiDARデータによる車両の連接姿勢と形状推定
- Authors: Hunter Goforth, Xiaoyan Hu, Michael Happold, Simon Lucey
- Abstract要約: 我々はLiDARスキャンから車両の姿勢と形状を推定する問題に対処する。
最近の研究は、個別にポーズと形状の推定に対処する傾向がある。
本研究では,新しい関節ポーズと形状損失を導入し,独立に訓練されたポーズと形状推定器よりも優れた結果が得られることを示す。
- 参考スコア(独自算出の注目度): 42.79441257193648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of estimating the pose and shape of vehicles from
LiDAR scans, a common problem faced by the autonomous vehicle community. Recent
work has tended to address pose and shape estimation separately in isolation,
despite the inherent connection between the two. We investigate a method of
jointly estimating shape and pose where a single encoding is learned from which
shape and pose may be decoded in an efficient yet effective manner. We
additionally introduce a novel joint pose and shape loss, and show that this
joint training method produces better results than independently-trained pose
and shape estimators. We evaluate our method on both synthetic data and
real-world data, and show superior performance against a state-of-the-art
baseline.
- Abstract(参考訳): 我々は、自動運転車コミュニティが直面する一般的な問題であるLiDARスキャンから車両のポーズと形状を推定する問題に対処する。
最近の研究は、両者の固有のつながりにもかかわらず、別々にポーズと形状の推定に対処しがちである。
形状とポーズを効率良くかつ効果的に復号化できる1つの符号化から学習した形状とポーズを共同推定する手法について検討する。
また,新しい関節ポーズと形状損失を導入し,独立に訓練されたポーズと形状推定器よりも優れた結果が得られることを示す。
本手法は合成データと実世界のデータの両方で評価し,最先端のベースラインに対して優れた性能を示す。
関連論文リスト
- Weakly-supervised 3D Pose Transfer with Keypoints [57.66991032263699]
3Dポーズ転送の主な課題は、1) 異なる文字で同じポーズを行うペアトレーニングデータの欠如、2) ターゲットメッシュからポーズと形状情報を分離すること、3) 異なるトポロジを持つメッシュに適用することの難しさである。
本稿では,これらの課題を克服するためのキーポイントベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-25T12:40:24Z) - A Survey on Deep Learning-Based Monocular Spacecraft Pose Estimation:
Current State, Limitations and Prospects [7.08026800833095]
非協力宇宙船の姿勢を推定することは、軌道上の視覚ベースのシステムを実現するための重要なコンピュータビジョン問題である。
コンピュータビジョンの一般的な傾向に続き、この問題を解決するためにディープラーニング(DL)手法を活用する研究がますます増えている。
有望な研究段階の結果にもかかわらず、実際のミッションでこのような方法が使われるのを防ぐ大きな課題が今も残っている。
論文 参考訳(メタデータ) (2023-05-12T09:52:53Z) - TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose
Estimation [55.94900327396771]
合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。
実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。
画素完全合成データからポーズ推定を学習する。
論文 参考訳(メタデータ) (2022-12-25T13:36:32Z) - Estimation of 3D Body Shape and Clothing Measurements from Frontal- and
Side-view Images [8.107762252448195]
ファッション業界における3次元人体形状と衣服の計測は,仮想試行錯誤およびサイズ推薦問題に不可欠である。
既存の研究はこれらの問題に対する様々な解決策を提案したが、複雑さと制約のために業界適応には成功しなかった。
本稿では,正面画像と側面画像から形状と測度の両方を推定する,シンプルで効果的なアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-05-28T06:10:41Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳(メタデータ) (2021-11-30T04:10:57Z) - SurfEmb: Dense and Continuous Correspondence Distributions for Object
Pose Estimation with Learnt Surface Embeddings [2.534402217750793]
データから物体表面上の密度の連続した2D-3D対応分布を学習する手法を提案する。
また,学習した分布を用いた剛体物体の6次元ポーズ推定手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T13:39:38Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - A novel joint points and silhouette-based method to estimate 3D human
pose and shape [12.459968574683625]
本稿では,画像からの3次元人物ポーズと形状推定のための新しい手法を提案する。
ポーズフィッティングのパラメトリックモデルと2次元および3次元空間上のシルエットの対応関係を抽出する。
シルエットのエネルギー関数は2次元空間と3次元空間の両方から構築されているため,形状情報の利用は十分である。
論文 参考訳(メタデータ) (2020-12-11T03:58:16Z) - Synthetic Training for Accurate 3D Human Pose and Shape Estimation in
the Wild [27.14060158187953]
本稿では,RGB画像からの単眼立体形状とポーズ推定の問題に対処する。
本研究では, シルエットや2次元関節などのプロキシ表現を形状と回帰ニューラルネットワークの入力として利用するシステムであるSTRAPSを提案する。
STRAPSは形状予測精度においてSSP-3Dの他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-09-21T16:39:04Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z)
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。