論文の概要: Offboard 3D Object Detection from Point Cloud Sequences

• arxiv url: http://arxiv.org/abs/2103.05073v1
• Date: Mon, 8 Mar 2021 21:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 15:00:46.376254
• Title: Offboard 3D Object Detection from Point Cloud Sequences
• Title（参考訳）: 点群からのオフボード3次元物体検出
• Authors: Charles R. Qi, Yin Zhou, Mahyar Najibi, Pei Sun, Khoa Vo, Boyang Deng, Dragomir Anguelov
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.13305723746408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While current 3D object recognition research mostly focuses on the real-time, onboard scenario, there are many offboard use cases of perception that are largely under-explored, such as using machines to automatically generate high-quality 3D labels. Existing 3D object detectors fail to satisfy the high-quality requirement for offboard uses due to the limited input and speed constraints. In this paper, we propose a novel offboard 3D object detection pipeline using point cloud sequence data. Observing that different frames capture complementary views of objects, we design the offboard detector to make use of the temporal points through both multi-frame object detection and novel object-centric refinement models. Evaluated on the Waymo Open Dataset, our pipeline named 3D Auto Labeling shows significant gains compared to the state-of-the-art onboard detectors and our offboard baselines. Its performance is even on par with human labels verified through a human label study. Further experiments demonstrate the application of auto labels for semi-supervised learning and provide extensive analysis to validate various design choices.
• Abstract（参考訳）: 現在の3Dオブジェクト認識の研究は、主にリアルタイムのオンボードシナリオに焦点を当てていますが、マシンを使用して高品質の3Dラベルを自動的に生成するなど、主に未知の認識のオフボードユースケースが多数あります。 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。 本稿では,ポイントクラウドシーケンスデータを用いたオフボード型3次元物体検出パイプラインを提案する。 異なるフレームがオブジェクトの相補的なビューを捉えているのを観察し、マルチフレームオブジェクト検出と新しいオブジェクト中心リファインメントモデルの両方を通して時間点を利用するオフボード検出器を設計する。 Waymo Open Datasetで評価された3D Auto Labelingというパイプラインは、最新のオンボードディテクタ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。 その性能は、人間のラベル研究を通じて検証された人間のラベルと同等です。 さらに,半教師付き学習へのオートラベルの適用を実証し,様々な設計選択を検証するための広範囲な分析を行った。

関連論文リスト

• PatchContrast: Self-Supervised Pre-training for 3D Object Detection [14.603858163158625]
  PatchContrastは、3Dオブジェクト検出のための新しい自己教師付きポイントクラウド事前学習フレームワークである。 提案手法は,3つの一般的な3次元検出データセットにおいて,既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-14T07:45:54Z)
• DetZero: Rethinking Offboard 3D Object Detection with Long-term Sequential Point Clouds [55.755450273390004]
  既存のオフボード3D検出器は、無限の逐次点雲を利用するために常にモジュラーパイプライン設計に従っている。 その結果, 物体の運動状態は, 物体中心の精製段階において必然的な課題となること, 物体の運動状態は, 物体軌道を十分に生成できないこと, 物体中心の精製段階において必然的な課題となること, の2つの理由から, オフボード型3D検出器の完全なポテンシャルは明らかにされていないことがわかった。 これらの問題に対処するために,DetZero という,オフボード型3次元物体検出の新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-06-09T16:42:00Z)
• 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)
• TripletTrack: 3D Object Tracking using Triplet Embeddings and LSTM [0.0]
  3Dオブジェクトトラッキングは、自動運転システムにおいて重要なタスクである。 本稿では,3次元物体追跡における3重項埋め込みと動作表現の併用について検討する。
  論文  参考訳（メタデータ） (2022-10-28T15:23:50Z)
• CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
  本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。 我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。 3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
  論文  参考訳（メタデータ） (2022-09-13T05:26:09Z)
• Label-Guided Auxiliary Training Improves 3D Object Detector [32.96310946612949]
  3次元物体検出(LG3D)のためのラベル誘導補助訓練法を提案する。 提案したLG3Dは,SUN RGB-DおよびScanNetV2データセット上でVoteNetを2.5%,3.1%改善する。
  論文  参考訳（メタデータ） (2022-07-24T14:22:21Z)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
  周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。 移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-12T15:30:02Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• BirdNet+: End-to-End 3D Object Detection in LiDAR Bird's Eye View [117.44028458220427]
  自動運転車のオンボード3Dオブジェクト検出は、LiDARデバイスが捉えた幾何学情報に依存することが多い。 本稿では,BEV画像のみから指向性3Dボックスを推測可能な,エンドツーエンドの3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-09T15:08:40Z)

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。