論文の概要: Shape Back-Projection In 3D Scenes

• arxiv url: http://arxiv.org/abs/2101.06409v1
• Date: Sat, 16 Jan 2021 09:00:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 07:41:45.296611
• Title: Shape Back-Projection In 3D Scenes
• Title（参考訳）: 3Dシーンにおける形状バックプロジェクション
• Authors: Ashish Kumar, L. Behera
• Abstract要約: この手法は三次元表面の幾何学的性質を分析して類似度を測定する。 形状バックプロジェクションは、バイナリ曲面分類、非組織点クラウドにおける高い曲率エッジ検出、3D-CNNのための自動点クラウドラベリングに応用されている。
• 参考スコア（独自算出の注目度）: 9.543667840503739
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this work, we propose a novel framework shape back-projection for computationally efficient point cloud processing in a probabilistic manner. The primary component of the technique is shape histogram and a back-projection procedure. The technique measures similarity between 3D surfaces, by analyzing their geometrical properties. It is analogous to color back-projection which measures similarity between images, simply by looking at their color distributions. In the overall process, first, shape histogram of a sample surface (e.g. planar) is computed, which captures the profile of surface normals around a point in form of a probability distribution. Later, the histogram is back-projected onto a test surface and a likelihood score is obtained. The score depicts that how likely a point in the test surface behaves similar to the sample surface, geometrically. Shape back-projection finds its application in binary surface classification, high curvature edge detection in unorganized point cloud, automated point cloud labeling for 3D-CNNs (convolutional neural network) etc. The algorithm can also be used for real-time robotic operations such as autonomous object picking in warehouse automation, ground plane extraction for autonomous vehicles and can be deployed easily on computationally limited platforms (UAVs).
• Abstract（参考訳）: 本研究では,計算効率の良いポイントクラウド処理のための新しいフレームワーク形状のバックプロジェクションを確率論的に提案する。 この手法の主な構成要素は、形状ヒストグラムとバックプロジェクション手順である。 この手法は三次元表面の幾何学的性質を分析して類似度を測定する。 色分布を見るだけで、画像間の類似度を測定するカラーバックプロジェクションに類似している。 全体過程において、まず、試料表面の形状ヒストグラム(例)を形成する。 Planar)は計算され、確率分布の形で、ある点の周りの表面の正規分布をキャプチャする。 その後、ヒストグラムを試験面にバックプロジェクションし、適度スコアを得る。 このスコアは、テスト表面の点が、幾何的にサンプル表面と同じような振る舞いをする可能性を示している。 シェイプバックプロジェクションは、バイナリ表面分類、未編成のポイントクラウドにおける高い曲率エッジ検出、3D-CNN(畳み込みニューラルネットワーク)のための自動ポイントクラウドラベリングなどに適用できる。 このアルゴリズムは、倉庫の自動化における自律物体の拾い取り、自動運転車のための地上平面抽出などのリアルタイムロボット操作にも利用でき、計算に制限のあるプラットフォーム(UAV)に容易に展開できる。

関連論文リスト

• $PC^2$: Projection-Conditioned Point Cloud Diffusion for Single-Image 3D Reconstruction [97.06927852165464]
  単一のRGB画像から物体の3次元形状を再構築することは、コンピュータビジョンにおける長年の課題である。 条件付き偏光拡散プロセスによりスパース点雲を生成する単一像3次元再構成法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T13:37:07Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• AutoSDF: Shape Priors for 3D Completion, Reconstruction and Generation [29.018733252938926]
  パワフルな事前処理によって、不十分な情報で推論を実行できます。 本稿では, 形状完了, 復元, 生成といったマルチモーダルな3次元課題を解決するために, 3次元形状に対する自己回帰前処理を提案する。
  論文  参考訳（メタデータ） (2022-03-17T17:59:54Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Probabilistic Vehicle Reconstruction Using a Multi-Task CNN [0.0]
  ステレオ画像からの形状認識型3D車両再構成のための確率論的アプローチを提案する。 具体的には、車両の向きと車両のキーポイントとワイヤフレームエッジの両方の確率分布を出力するCNNを訓練する。 本手法が最先端の結果を達成し、挑戦的なKITTIベンチマークで評価することを示した。
  論文  参考訳（メタデータ） (2021-02-21T20:45:44Z)
• Fast Geometric Surface based Segmentation of Point Cloud from Lidar Data [15.882128188732016]
  LIDARは、地図構築に役立つ環境の高速で正確な3Dポイントクラウドマップを提供する。 本稿では,3次元オブジェクトのモデリングにおいて,分割面をリアルタイムで生成する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T10:17:16Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。