論文の概要: CAD2Real: Deep learning with domain randomization of CAD data for 3D pose estimation of electronic control unit housings

• arxiv url: http://arxiv.org/abs/2009.12312v1
• Date: Fri, 25 Sep 2020 16:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:06:59.657789
• Title: CAD2Real: Deep learning with domain randomization of CAD data for 3D pose estimation of electronic control unit housings
• Title（参考訳）: cad2real:cadデータのドメインランダム化による深層学習による電子制御ユニットハウジングの3次元ポーズ推定
• Authors: Simon Baeuerle, Jonas Barth, Elton Renato Tavares de Menezes, Andreas Steimer, Ralf Mikut
• Abstract要約: 我々は、純粋に合成されたトレーニングデータに基づいて最先端の人工知能ニューラルネットワーク(ANN)を訓練する。 トレーニング画像のレンダリング中にパラメータをランダム化することにより、実サンプル部のRGB画像の推測を可能にする。
• 参考スコア（独自算出の注目度）: 0.20999222360659608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic control units (ECUs) are essential for many automobile components, e.g. engine, anti-lock braking system (ABS), steering and airbags. For some products, the 3D pose of each single ECU needs to be determined during series production. Deep learning approaches can not easily be applied to this problem, because labeled training data is not available in sufficient numbers. Thus, we train state-of-the-art artificial neural networks (ANNs) on purely synthetic training data, which is automatically created from a single CAD file. By randomizing parameters during rendering of training images, we enable inference on RGB images of a real sample part. In contrast to classic image processing approaches, this data-driven approach poses only few requirements regarding the measurement setup and transfers to related use cases with little development effort.
• Abstract（参考訳）: 電子制御ユニット(ECU)は、エンジン、アンチロックブレーキシステム(ABS)、ステアリング、エアバッグなど多くの自動車部品に必須である。 一部の製品では、各ECUの3Dポーズをシリーズ生産中に決定する必要がある。 ラベル付きトレーニングデータが十分な数で利用できないため、ディープラーニングアプローチがこの問題に容易に適用できない。 これにより、単一のcadファイルから自動生成される純粋合成トレーニングデータに対して、最先端の人工ニューラルネットワーク(anns)をトレーニングする。 トレーニング画像のレンダリング中にパラメータをランダム化することにより、実サンプル部のRGB画像の推測を可能にする。 従来の画像処理のアプローチとは対照的に、このデータ駆動のアプローチは、測定の設定や関連するユースケースへの転送に関して、開発作業の少ない部分しか要求しない。

関連論文リスト

• Automatic Reverse Engineering: Creating computer-aided design (CAD) models from multi-view images [0.0]
  自動リバースエンジニアリングタスクのための新しいネットワークを提案する。 複数の有効なCADモデルの再構築に成功して概念実証を行う。 ネットワークのいくつかの機能をこのドメインに転送できることが示されている。
  論文  参考訳（メタデータ） (2023-09-23T06:42:09Z)
• 3D Data Augmentation for Driving Scenes on Camera [50.41413053812315]
  本稿では,Drive-3DAugと呼ばれる3次元データ拡張手法を提案する。 まずNeural Radiance Field(NeRF)を用いて,背景および前景の3次元モデルの再構成を行う。 そして、予め定義された背景の有効領域に適応した位置と向きの3Dオブジェクトを配置することにより、拡張駆動シーンを得ることができる。
  論文  参考訳（メタデータ） (2023-03-18T05:51:05Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• 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)
• A Novel Neural Network Training Method for Autonomous Driving Using Semi-Pseudo-Labels and 3D Data Augmentations [0.0]
  自律運転のために3Dオブジェクト検出を行うためにニューラルネットワークを訓練するには、多種多様な注釈付きデータが必要である。 我々は3次元物体検出のための畳み込みニューラルネットワークを設計した。
  論文  参考訳（メタデータ） (2022-07-20T13:04:08Z)
• Simplified Learning of CAD Features Leveraging a Deep Residual Autoencoder [3.567248644184455]
  コンピュータビジョンでは、EfficientNetのような深い残留ニューラルネットワークが、堅牢性と精度の点で新しい標準を設定している。 ディープニューラルネットワークのトレーニングの根底にある重要な問題は、十分な量のトレーニングデータがないことだ。 本稿では,3次元CADモデル評価に関連する学習タスクの伝達を目的としたEfficientNetアーキテクチャに基づく残差3次元オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2022-02-21T10:27:55Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• CAN3D: Fast 3D Medical Image Segmentation via Compact Context Aggregation [6.188937569449575]
  本稿では,メモリフットプリントの浅いコンパクト畳み込みニューラルネットワークを提案する。 提案するネットワークは,パッチを必要とせず,大規模な3次元入力ボリュームを直接処理することでデータの整合性を維持することができる。
  論文  参考訳（メタデータ） (2021-09-12T06:27:59Z)
• 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)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)

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。