論文の概要: A metric for evaluating 3D reconstruction and mapping performance with
no ground truthing
- arxiv url: http://arxiv.org/abs/2101.10402v1
- Date: Mon, 25 Jan 2021 20:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 18:59:04.762455
- Title: A metric for evaluating 3D reconstruction and mapping performance with
no ground truthing
- Title（参考訳）: 地中真理のない3次元再構成とマッピング性能評価のための指標
- Authors: Guoxiang Zhang and YangQuan Chen
- Abstract要約: 既存のメトリクスは、特別な機器でのみ収集できる地上の真理データを必要とするため、三次元マッピング性能を評価するのは容易ではない。
この評価のために, 計量的密度分布写像後部(DMP)を提案する。
根拠となる真理のデータなしでは機能する。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is not easy when evaluating 3D mapping performance because existing
metrics require ground truth data that can only be collected with special
instruments. In this paper, we propose a metric, dense map posterior (DMP), for
this evaluation. It can work without any ground truth data. Instead, it
calculates a comparable value, reflecting a map posterior probability, from
dense point cloud observations. In our experiments, the proposed DMP is
benchmarked against ground truth-based metrics. Results show that DMP can
provide a similar evaluation capability. The proposed metric makes evaluating
different methods more flexible and opens many new possibilities, such as
self-supervised methods and more available datasets.
- Abstract（参考訳）: 既存のメトリクスは、特別な機器でのみ収集できる地上の真理データを必要とするため、三次元マッピング性能を評価するのは容易ではない。
本稿では,この評価のために,DMP (metric, dense map posterior) を提案する。
根拠となる真理のデータなしでは機能する。
代わりに、密度の高い雲の観測から、地図の後方確率を反映して、同等の値を計算する。
実験では,提案したDMPを実測値と比較した。
結果はDMPが同様の評価能力を提供できることを示している。
提案されたメトリクスは、異なるメソッドの評価をより柔軟にし、セルフ監視メソッドやより利用可能なデータセットなど、多くの新しい可能性を開きます。
関連論文リスト
- A new visual quality metric for Evaluating the performance of multidimensional projections [1.6574413179773757]
人間の知覚に基づく新しい視覚品質指標を提案する。
提案手法は,MPの質を従来の測定値よりも正確に分析する。
論文 参考訳（メタデータ） (2024-07-23T09:02:46Z) - UniDepth: Universal Monocular Metric Depth Estimation [81.80512457953903]
ドメインをまたいだ単一の画像からメートル法3Dシーンを再構成できる新しいモデルUniDepthを提案する。
我々のモデルは擬似球面出力表現を利用しており、カメラと奥行きの表現を歪めている。
ゼロショット方式における10のデータセットの詳細な評価は、一貫してUniDepthの優れた性能を示している。
論文 参考訳（メタデータ） (2024-03-27T18:06:31Z) - Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。
本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。
我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
論文 参考訳（メタデータ） (2024-03-22T06:22:20Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z) - MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based
Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文 参考訳（メタデータ） (2023-03-23T17:59:02Z) - ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。
中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。
直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文 参考訳（メタデータ） (2022-12-12T13:10:19Z) - From 2D to 3D: Re-thinking Benchmarking of Monocular Depth Prediction [80.67873933010783]
我々は,MDPが現在,3Dアプリケーションにおける予測の有用性を評価するのに有効な指標に頼っていることを論じる。
これにより、2Dベースの距離を最適化するのではなく、シーンの3D構造を正確に認識し、推定に向けて改善する新しい手法の設計と開発が制限される。
本稿では,MDP手法の3次元幾何評価に適した指標セットと,提案手法に不可欠な室内ベンチマークRIO-D3Dを提案する。
論文 参考訳（メタデータ） (2022-03-15T17:50:54Z) - Evaluating Feature Attribution Methods in the Image Domain [7.852862161478641]
既存のメトリクスについて検討し、属性マップの評価のための新しいメトリクスの変種を提案する。
異なる帰属指標は、帰属写像の根底にある異なる概念を測っているように見える。
本稿では,あるユースケースに対して理想的な特徴属性法を特定するための一般的なベンチマーク手法を提案する。
論文 参考訳（メタデータ） (2022-02-22T15:14:33Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。