Fugu-MT 論文翻訳(概要): Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning

論文の概要: Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning

arxiv url: http://arxiv.org/abs/2012.07038v1
Date: Sun, 13 Dec 2020 11:18:52 GMT
ステータス: 処理完了
システム内更新日: 2021-05-09 12:49:36.095716
Title: Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning
Title（参考訳）: 工場計画におけるポイントクラウドセグメンテーションのためのディープニューラルネットワークの不確かさ推定
Authors: Christina Petschnigg and Juergen Pilz
Abstract要約: 点群分割のための完全ベイズ型および近似ベイズ型ニューラルネットワークを提案する。これらのネットワークにおける不確実性を推定する方法の違いが生の3次元点雲のセグメンテーション結果に与える影響を分析する。本研究で提案する手法は,より正確なセグメンテーション結果をもたらし,不確実性情報の導入は,特に安全上重要な応用に適用できる。
参考スコア（独自算出の注目度）: 0.9137554315375922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The digital factory provides undoubtedly a great potential for future production systems in terms of efficiency and effectivity. A key aspect on the way to realize the digital copy of a real factory is the understanding of complex indoor environments on the basis of 3D data. In order to generate an accurate factory model including the major components, i.e. building parts, product assets and process details, the 3D data collected during digitalization can be processed with advanced methods of deep learning. In this work, we propose a fully Bayesian and an approximate Bayesian neural network for point cloud segmentation. This allows us to analyze how different ways of estimating uncertainty in these networks improve segmentation results on raw 3D point clouds. We achieve superior model performance for both, the Bayesian and the approximate Bayesian model compared to the frequentist one. This performance difference becomes even more striking when incorporating the networks' uncertainty in their predictions. For evaluation we use the scientific data set S3DIS as well as a data set, which was collected by the authors at a German automotive production plant. The methods proposed in this work lead to more accurate segmentation results and the incorporation of uncertainty information makes this approach especially applicable to safety critical applications.
Abstract（参考訳）: デジタルファクトリーは、効率と有効性の観点から将来の生産システムにとって、間違いなく大きな可能性を秘めている。実際の工場のデジタルコピーを実現するための重要な側面は、3Dデータに基づく複雑な屋内環境の理解である。主要部品を含む正確な工場モデルを生成するために、すなわち、部品、製品資産、プロセスの詳細を構築することで、デジタル化時に収集された3Dデータは、高度なディープラーニングの方法で処理できる。本研究では,点群分割のための完全ベイズ型および近似ベイズ型ニューラルネットワークを提案する。これにより、これらのネットワークにおける不確かさを推定する様々な方法が、生の3dポイントクラウド上のセグメンテーション結果をどのように改善するかを分析することができる。ベイジアンモデルとベイジアンモデルの両方に対して、頻繁なモデルと比較して優れたモデル性能を達成する。この性能差は、ネットワークの不確実性を予測に組み込むとさらに顕著になる。評価には、ドイツの自動車工場で著者らが収集した科学データセットS3DISとデータセットを使用する。本研究で提案する手法は,より正確なセグメンテーション結果をもたらし,不確実性情報の導入は,特に安全上重要な応用に適用できる。

関連論文リスト

Uncertainty modeling for fine-tuned implicit functions [10.902709236602536]
入射関数は、スパースビューから詳細な物体形状を再構成するコンピュータビジョンにおいて重要な役割を担っている。暗黙関数における不確実性推定手法であるDropsemblesを導入する。その結果,Dropsemblesは深層アンサンブルの精度とキャリブレーションレベルを達成するが,計算コストは著しく低いことがわかった。
論文参考訳（メタデータ） (2024-06-17T20:46:18Z)
Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。 10種類の3Dデータセットにわたる28の最先端モデルを評価した。本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
論文参考訳（メタデータ） (2024-03-25T17:59:59Z)
Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
本稿では,本課題に対して,合成-実領域一般化設定を提案する。合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
論文参考訳（メタデータ） (2022-12-09T05:07:43Z)
Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud Analysis [33.31864436614945]
本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
論文参考訳（メタデータ） (2022-10-28T05:23:03Z)
Autoregressive Uncertainty Modeling for 3D Bounding Box Prediction [63.3021778885906]
3Dバウンディングボックスは、多くのコンピュータビジョンアプリケーションで広く使われている中間表現である。本稿では,自己回帰モデルを利用して高い信頼度予測と意味のある不確実性対策を行う手法を提案する。我々はシミュレーションデータセットであるCOB-3Dをリリースし、現実世界のロボティクスアプリケーションで発生する新しいタイプのあいまいさを強調します。
論文参考訳（メタデータ） (2022-10-13T23:57:40Z)
Structure Aware and Class Balanced 3D Object Detection on nuScenes Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文参考訳（メタデータ） (2022-05-25T06:18:49Z)
Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文参考訳（メタデータ） (2022-05-02T16:09:17Z)
From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling [0.6882042556551611]
ブラウンフィールド計画の場合、既存のデータは時代遅れで、特に2Dで計画されていた古い植物には不完全であることが多い。現在の環境モデルは、既存のデータに基づいて直接生成することはできないし、そのような工場モデルを構築する方法に関する全体論的なアプローチはほとんど存在しない。本研究では,大規模屋内環境のデジタル化から始まり,静的環境やシミュレーションモデルの生成で終わる方法論的ワークフローを詳述する。
論文参考訳（メタデータ） (2021-02-04T08:59:49Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)
Evaluating Uncertainty Estimation Methods on 3D Semantic Segmentation of Point Clouds [9.957957463532738]
我々はDarkNet21Seg 3Dセマンティックセグメンテーションモデル上で,Deep Ensembles, MC-Dropout, MC-DropConnectの3つの不確実性定量化手法を評価する。 Deep Ensemblesは、パフォーマンスと不確実性の両方で、他の手法よりも優れています。
論文参考訳（メタデータ） (2020-07-03T16:22:34Z)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。