論文の概要: labelCloud: A Lightweight Domain-Independent Labeling Tool for 3D Object Detection in Point Clouds

• arxiv url: http://arxiv.org/abs/2103.04970v1
• Date: Fri, 5 Mar 2021 09:32:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:54:02.299804
• Title: labelCloud: A Lightweight Domain-Independent Labeling Tool for 3D Object Detection in Point Clouds
• Title（参考訳）: labelCloud: ポイントクラウド内の3Dオブジェクト検出のための軽量なドメイン非依存ラベルツール
• Authors: Christoph Sager, Patrick Zschech, Niklas K\"uhl
• Abstract要約: 既存のツールの欠点に対処するために,点群内の3次元物体検出のための新しいツールを提案する。 このツールは、MLモデルが後で自動的に識別すべきターゲットオブジェクトの周りに3Dバウンディングボックスをラベル付けするために使用できることを示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Within the past decade, the rise of applications based on artificial intelligence (AI) in general and machine learning (ML) in specific has led to many significant contributions within different domains. The applications range from robotics over medical diagnoses up to autonomous driving. However, nearly all applications rely on trained data. In case this data consists of 3D images, it is of utmost importance that the labeling is as accurate as possible to ensure high-quality outcomes of the ML models. Labeling in the 3D space is mostly manual work performed by expert workers, where they draw 3D bounding boxes around target objects the ML model should later automatically identify, e.g., pedestrians for autonomous driving or cancer cells within radiography. While a small range of recent 3D labeling tools exist, they all share three major shortcomings: (i) they are specified for autonomous driving applications, (ii) they lack convenience and comfort functions, and (iii) they have high dependencies and little flexibility in data format. Therefore, we propose a novel labeling tool for 3D object detection in point clouds to address these shortcomings.
• Abstract（参考訳）: 過去10年の間に、一般的な人工知能(AI)と特定の機械学習(ML)に基づくアプリケーションの台頭は、さまざまな領域で多くの重要な貢献をもたらしました。 応用範囲はロボット工学から医療診断から自動運転まで多岐にわたる。 しかし、ほとんどすべてのアプリケーションは訓練されたデータに依存します。 このデータが3D画像で構成されている場合、ラベル付けが可能な限り正確であり、MLモデルの高品質の結果を保証することが非常に重要です。 3D空間でのラベル付けは、主に専門家が行う手作業であり、MLモデルが後で自動的に識別すべきターゲットオブジェクトの周りに3Dバウンディングボックスを描画します。 最近の3Dラベリングツールの小さな範囲は存在するが、これらはすべて3つの大きな欠点を共有している。(i) 自動運転アプリケーションに指定されている、(ii) 利便性と快適性が欠けている、(iii) データフォーマットの依存関係が高く、柔軟性が少ない。 そこで本研究では,点群における3次元物体検出のための新しいラベリングツールを提案する。

関連論文リスト

• Training an Open-Vocabulary Monocular 3D Object Detection Model without 3D Data [57.53523870705433]
  我々はOVM3D-Detと呼ばれる新しいオープン語彙単分子オブジェクト検出フレームワークを提案する。 OVM3D-Detは、入力または3Dバウンディングボックスを生成するために高精度のLiDARや3Dセンサーデータを必要としない。 オープンボキャブラリ2Dモデルと擬似LiDARを使用して、RGB画像に3Dオブジェクトを自動的にラベル付けし、オープンボキャブラリ単分子3D検出器の学習を促進する。
  論文  参考訳（メタデータ） (2024-11-23T21:37:21Z)
• STONE: A Submodular Optimization Framework for Active 3D Object Detection [20.54906045954377]
  正確な3Dオブジェクト検出器をトレーニングするための鍵となる要件は、大量のLiDARベースのポイントクラウドデータが利用できることである。 本稿では,3次元物体検出装置のトレーニングにおけるラベル付けコストを大幅に削減する,統合されたアクティブな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） (2024-10-04T20:45:33Z)
• LLMI3D: Empowering LLM with 3D Perception from a Single 2D Image [72.14973729674995]
  現在の3D認識手法、特に小さなモデルでは、論理的推論、質問応答、オープンシナリオカテゴリの処理に苦労している。 空間的特徴抽出のための空間的局所特徴抽出法,精密な幾何回帰のための3次元問合せ情報復号法,カメラ焦点長変動に対する幾何学投影に基づく3次元推論を提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:00:16Z)
• Weakly Supervised 3D Object Detection via Multi-Level Visual Guidance [72.6809373191638]
  本稿では,3次元ラベルを必要とせずに2次元ドメインと3次元ドメイン間の制約を活用できるフレームワークを提案する。 具体的には、LiDARと画像特徴をオブジェクト認識領域に基づいて整列する特徴レベルの制約を設計する。 第二に、出力レベルの制約は、2Dと投影された3Dボックスの推定の重なりを強制するために開発される。 第3に、トレーニングレベルの制約は、視覚データと整合した正確で一貫した3D擬似ラベルを生成することによって利用される。
  論文  参考訳（メタデータ） (2023-12-12T18:57:25Z)
• DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields [68.94868475824575]
  本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。 我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。 トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-18T21:58:28Z)
• RenderOcc: Vision-Centric 3D Occupancy Prediction with 2D Rendering Supervision [36.15913507034939]
  RenderOccは2次元ラベルのみを用いて3次元占有モデルを訓練するための新しいパラダイムである。 具体的には、マルチビュー画像からNeRFスタイルの3Dボリューム表現を抽出する。 ボリュームレンダリング技術を用いて2次元レンダリングを確立することにより,2次元セマンティクスや深度ラベルから直接の3D監視を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T06:08:15Z)
• View-to-Label: Multi-View Consistency for Self-Supervised 3D Object Detection [46.077668660248534]
  本稿では,RGBシーケンスのみから,自己監督型3Dオブジェクト検出を行う手法を提案する。 KITTI 3Dデータセットを用いた実験では,最先端の自己管理手法と同等の性能を示した。
  論文  参考訳（メタデータ） (2023-05-29T09:30:39Z)
• SL3D: Self-supervised-Self-labeled 3D Recognition [89.19932178712065]
  自己教師付き自己ラベル型3D認識(SL3D)フレームワークを提案する。 SL3Dはクラスタリングと学習機能表現という2つの結合した目的を同時に解決する。 分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな3D認識タスクに応用することができる。
  論文  参考訳（メタデータ） (2022-10-30T11:08:25Z)
• SOMA: Solving Optical Marker-Based MoCap Automatically [56.59083192247637]
  我々はSOMAと呼ばれる新しいニューラルネットワークを訓練し、モカプポイントの雲をさまざまな数のポイントで取り、それらを大規模にラベル付けする。 Somaは、3Dボディの空間構造を学ぶために、自己注意要素を積み重ねたアーキテクチャを利用する。 4つのデータセットにまたがる8時間以上のアーカイブモキャップデータを自動的にラベル付けします。
  論文  参考訳（メタデータ） (2021-10-09T02:27:27Z)
• Offboard 3D Object Detection from Point Cloud Sequences [25.13305723746408]
  既存の3Dオブジェクト検出器は、入力と速度の制限により、オフボードの使用の高品質な要求を満たすことができない。 点群シーケンスデータを用いた新しいオフボード3次元物体検出パイプラインを提案する。 3Dオートラベリングと呼ばれる当社のパイプラインは、最新のオンボード検出器とオフボードベースラインと比較して大きな利益を示しています。
  論文  参考訳（メタデータ） (2021-03-08T21:02:37Z)

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。