Fugu-MT 論文翻訳(概要): A Density-Aware PointRCNN for 3D Object Detection in Point Clouds

論文の概要: A Density-Aware PointRCNN for 3D Object Detection in Point Clouds

arxiv url: http://arxiv.org/abs/2009.05307v2
Date: Fri, 8 Jan 2021 04:33:52 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 21:44:00.732883
Title: A Density-Aware PointRCNN for 3D Object Detection in Point Clouds
Title（参考訳）: 点雲中の3次元物体検出のための密度認識ポイントRCNN
Authors: Jie Li, Yu Hu
Abstract要約: 我々は3次元物体検出のためのPointRCNNの改良版を提案する。点雲の均一でない密度を扱うために、マルチブランチバックボーンネットワークが採用されている。
参考スコア（独自算出の注目度）: 12.077854878153513
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an improved version of PointRCNN for 3D object detection, in which a multi-branch backbone network is adopted to handle the non-uniform density of point clouds. An uncertainty-based sampling policy is proposed to deal with the distribution differences of different point clouds. The new model can achieve about 0.8 AP higher performance than the baseline PointRCNN on KITTI val set. In addition, a simplified model using a single scale grouping for each set-abstraction layer can achieve competitive performance with less computational cost.
Abstract（参考訳）: 本稿では,点雲の非一様密度を扱うためにマルチブランチバックボーンネットワークを採用する3次元物体検出用pointrcnnの改良版を提案する。異なる点雲の分布差に対処するために,不確実性に基づくサンプリングポリシーを提案する。この新しいモデルでは、KITTI val のベースライン PointRCNN よりも 0.8 AP 高い性能を達成できる。さらに,各集合抽出層に対する単一スケールグルーピングを用いた簡易モデルにより,計算コストを低減して競合性能を実現することができる。

関連論文リスト

Test-Time Adaptation in Point Clouds: Leveraging Sampling Variation with Weight Averaging [17.74824534094739]
テスト時間適応(TTA)は、ソースデータにアクセスせずに事前訓練されたモデルを適用することで、テスト中の分散シフトに対処する。本稿では,3次元点雲分類のための新しいTTA手法を提案する。
論文参考訳（メタデータ） (2024-11-02T02:59:25Z)
Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文参考訳（メタデータ） (2023-03-12T14:49:42Z)
3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文参考訳（メタデータ） (2022-11-15T15:58:36Z)
A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文参考訳（メタデータ） (2021-12-07T06:59:06Z)
CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。 CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
論文参考訳（メタデータ） (2021-11-21T17:45:55Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文参考訳（メタデータ） (2020-12-18T18:06:43Z)
ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
論文参考訳（メタデータ） (2020-12-08T19:54:20Z)
Spherical Interpolated Convolutional Network with Distance-Feature Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文参考訳（メタデータ） (2020-11-27T15:35:12Z)

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。