論文の概要: 3D Object Classification on Partial Point Clouds: A Practical
Perspective
- arxiv url: http://arxiv.org/abs/2012.10042v2
- Date: Wed, 23 Dec 2020 02:59:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-05-01 18:13:58.035248
- Title: 3D Object Classification on Partial Point Clouds: A Practical
Perspective
- Title（参考訳）: 部分点雲上の3次元物体分類 : 実用的展望
- Authors: Zelin Xu, Ke Chen, Tong Zhang, C. L. Philip Chen, Kui Jia
- Abstract要約: 点雲は3次元オブジェクト分類において一般的な形状表現である。
本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。
本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 91.81377258830703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A point cloud is a popular shape representation adopted in 3D object
classification, which covers the whole surface of an object and is usually well
aligned. However, such an assumption can be invalid in practice, as point
clouds collected in real-world scenarios are typically scanned from visible
object parts observed under arbitrary SO(3) viewpoint, which are thus
incomplete due to self and inter-object occlusion. In light of this, this paper
introduces a practical setting to classify partial point clouds of object
instances under any poses. Compared to the classification of complete object
point clouds, such a problem is made more challenging in view of geometric
similarities of local shape across object classes and intra-class
dissimilarities of geometries restricted by their observation view. We consider
that specifying the location of partial point clouds on their object surface is
essential to alleviate suffering from the aforementioned challenges, which can
be solved via an auxiliary task of 6D object pose estimation. To this end, a
novel algorithm in an alignment-classification manner is proposed in this
paper, which consists of an alignment module predicting object pose for the
rigid transformation of visible point clouds to their canonical pose and a
typical point classifier such as PointNet++ and DGCNN. Experiment results on
the popular ModelNet40 and ScanNet datasets, which are adapted to a single-view
partial setting, demonstrate the proposed method can outperform three
alternative schemes extended from representative point cloud classifiers for
complete point clouds.
- Abstract（参考訳）: 点雲(英: point cloud)は、物体の表面全体を覆う3dオブジェクト分類で採用されている一般的な形状表現である。
しかし、現実のシナリオで収集された点雲は、任意のSO(3)視点で観察される可視的な対象部分からスキャンされるため、実際にはそのような仮定は無効である。
そこで本研究では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実用的な設定を提案する。
完全な対象点雲の分類と比較すると、対象クラス間の局所形状の幾何学的類似性と、観測ビューによって制限される測地線のクラス内異同性の観点から、この問題はより困難なものとなっている。
対象物表面における部分点雲の位置を特定することは、上記の課題を軽減し、6次元オブジェクトのポーズ推定の補助的タスクによって解決できると考える。
そこで本論文では, 可視点雲の正準姿勢への剛性変換のためのアライメントモジュール予測オブジェクトと, PointNet++ や DGCNN などの典型的な点分類器からなるアライメント分類方式のアルゴリズムを提案する。
単一ビューの部分的な設定に適応したModelNet40およびScanNetデータセットの実験結果から、提案手法は、全点クラウドの代表的なクラウド分類器から拡張された3つの代替スキームより優れていることを示した。
関連論文リスト
- BoxDreamer: Dreaming Box Corners for Generalizable Object Pose Estimation [58.14071520415005]
本稿では、スパースビュー設定における課題に対処するために、オブジェクトポーズ推定のための汎用RGBベースのアプローチを提案する。
これらの制約を克服するために、オブジェクトのポーズの中間表現としてオブジェクト境界ボックスのコーナーポイントを導入する。
3Dオブジェクトコーナーはスパース入力ビューから確実に復元でき、対象ビューの2Dコーナーポイントは、新しい参照ベースポイントデータセットによって推定される。
論文 参考訳（メタデータ） (2025-04-10T17:58:35Z) - Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。
私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
論文 参考訳（メタデータ） (2024-07-13T06:53:39Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-04-18T17:03:20Z) - Category-level Shape Estimation for Densely Cluttered Objects [94.64287790278887]
そこで本研究では,密に散らばった物体のカテゴリレベルの形状推定手法を提案する。
我々のフレームワークは、多視点視覚情報融合によって、各オブジェクトをクラッタに分割する。
シミュレーション環境と実世界の実験から,本手法が高精度な形状推定を実現することが示された。
論文 参考訳（メタデータ） (2023-02-23T13:00:17Z) - Generative Category-Level Shape and Pose Estimation with Semantic
Primitives [27.692997522812615]
本稿では,1枚のRGB-D画像からカテゴリレベルのオブジェクト形状とポーズ推定を行う新しいフレームワークを提案する。
カテゴリ内変動に対処するために、様々な形状を統一された潜在空間にエンコードするセマンティックプリミティブ表現を採用する。
提案手法は,実世界のデータセットにおいて,SOTAのポーズ推定性能とより優れた一般化を実現する。
論文 参考訳（メタデータ） (2022-10-03T17:51:54Z) - Topologically Persistent Features-based Object Recognition in Cluttered
Indoor Environments [1.2691047660244335]
見えない屋内環境における隠蔽物体の認識は、移動ロボットにとって困難な問題である。
本研究では,物体点雲の3次元形状を捉えるスライシングに基づく新しいトポロジカルディスクリプタを提案する。
これは、隠蔽対象のディスクリプタとそれに対応する非隠蔽対象との類似性を生じさせ、オブジェクトのユニティに基づく認識を可能にする。
論文 参考訳（メタデータ） (2022-05-16T07:01:16Z) - Leveraging SE(3) Equivariance for Self-Supervised Category-Level Object
Pose Estimation [30.04752448942084]
カテゴリーレベルのオブジェクトポーズ推定は、オブジェクトCADモデルにアクセスすることなく、既知のカテゴリから未確認のオブジェクトインスタンスの6Dオブジェクトポーズを見つけることを目的としている。
本研究では,1つの3次元点群からカテゴリレベルの6次元オブジェクトのポーズを推定する自己教師型学習フレームワークを初めて提案する。
論文 参考訳（メタデータ） (2021-10-30T06:46:44Z) - RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。
インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。
我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
論文 参考訳（メタデータ） (2020-11-30T12:58:05Z) - Point Set Voting for Partial Point Cloud Analysis [26.31029112502835]
近年、ポイントクラウドの分類とセグメンテーションのための技術は、大きな合成データセットを活用することで、驚くべきパフォーマンスを実現している。
本稿では, 局所点集合投票戦略を適用して, 完全点群を符号化した潜在特徴を推定する部分点群解析の一般モデルを提案する。
論文 参考訳（メタデータ） (2020-07-09T03:37:31Z) - SSN: Shape Signature Networks for Multi-class Object Detection from
Point Clouds [96.51884187479585]
点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。
対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。
実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
論文 参考訳（メタデータ） (2020-04-06T16:01:41Z) - Global-Local Bidirectional Reasoning for Unsupervised Representation
Learning of 3D Point Clouds [109.0016923028653]
局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。
本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
論文 参考訳（メタデータ） (2020-03-29T08:26:08Z)
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。