Fugu-MT 論文翻訳(概要): Joint Pose and Shape Estimation of Vehicles from LiDAR Data

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

ShapeICP: Iterative Category-level Object Pose and Shape Estimation from Depth [15.487722156919988]
単一深度画像からのカテゴリーレベルのオブジェクトのポーズと形状推定は、ロボット工学や自動運転に広く応用されているため、最近研究の注目を集めている。ポーズアノテートされたデータから学習する必要がない反復的推定法を提案する。われわれのアルゴリズムはShapeICPと呼ばれ、ICPアルゴリズムの基盤となっているが、カテゴリレベルのポーズと形状推定のための追加機能を備えている。
論文参考訳（メタデータ） (2024-08-23T15:12:55Z)
3D WholeBody Pose Estimation based on Semantic Graph Attention Network and Distance Information [2.457872341625575]
新たなセマンティックグラフアテンションネットワークは、グローバルコンテキストをキャプチャする自己アテンションの能力の恩恵を受けることができる。本体部分デコーダは、身体の特定のセグメントに関連する情報を抽出し、精製するのを支援する。幾何学的損失(Geometry Loss)は身体の構造的骨格に批判的な制約を与え、モデルの予測が人間の姿勢の自然な限界に合致することを確実にする。
論文参考訳（メタデータ） (2024-06-03T10:59:00Z)
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)
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)
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。