論文の概要: Learning the Next Best View for 3D Point Clouds via Topological Features

• arxiv url: http://arxiv.org/abs/2103.02789v1
• Date: Thu, 4 Mar 2021 02:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-07 12:06:54.746544
• Title: Learning the Next Best View for 3D Point Clouds via Topological Features
• Title（参考訳）: トポロジカル機能による3Dポイントクラウドの次のベストビューの学習
• Authors: Christopher Collander, William J. Beksi, Manfred Huber
• Abstract要約: ノイズの多い3Dセンサの次の最良のビューを導くための強化学習手法を提案する。 測定器は観察された表面の不整合セクションを結合し、穴および凹面セクションのような高密度の特徴に焦点を合わせます。
• 参考スコア（独自算出の注目度）: 4.447259318741305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a reinforcement learning approach utilizing a novel topology-based information gain metric for directing the next best view of a noisy 3D sensor. The metric combines the disjoint sections of an observed surface to focus on high-detail features such as holes and concave sections. Experimental results show that our approach can aid in establishing the placement of a robotic sensor to optimize the information provided by its streaming point cloud data. Furthermore, a labeled dataset of 3D objects, a CAD design for a custom robotic manipulator, and software for the transformation, union, and registration of point clouds has been publicly released to the research community.
• Abstract（参考訳）: 本稿では,新しいトポロジーに基づく情報ゲインメトリックを用いて,ノイズの多い3dセンサの次なる最善の視点を指示する強化学習手法を提案する。 測定器は観察された表面の不整合セクションを結合し、穴および凹面セクションのような高密度の特徴に焦点を合わせます。 実験の結果,本手法は,ストリーミングポイントクラウドデータが提供する情報を最適化するためにロボットセンサの配置を確立するのに役立つことがわかった。 さらに、3Dオブジェクトのラベル付きデータセット、カスタムロボットマニピュレータ用のCAD設計、およびポイントクラウドの変換、結合、および登録のためのソフトウェアが研究コミュニティに公開されました。

関連論文リスト

• Building-PCC: Building Point Cloud Completion Benchmarks [0.0]
  ライダー技術は都市景観における3Dデータの収集に広く応用されている。 収集された点雲データは、閉塞、信号吸収、スペクトル反射などの要因により不完全性を示すことが多い。 本稿では,これらの不完全データ処理におけるポイントクラウド補完技術の応用について検討する。
  論文  参考訳（メタデータ） (2024-04-24T04:50:50Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
  本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。 アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。 本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
  論文  参考訳（メタデータ） (2021-08-16T23:59:43Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Investigating Attention Mechanism in 3D Point Cloud Object Detection [25.53702053256288]
  本研究は,3次元点状物体検出における注意機構の役割について考察する。 異なる注目モジュールの可能性についての洞察を提供する。 本論文は,注意を埋め込んだ3Dポイント・クラウド・オブジェクト検出のためのリファレンス・ソースとして期待されている。
  論文  参考訳（メタデータ） (2021-08-02T03:54:39Z)
• SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
  LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。 そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T07:45:09Z)
• 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)
• Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
  3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。 本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。 我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-06-08T05:15:06Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。