論文の概要: Sim2Real 3D Object Classification using Spherical Kernel Point Convolution and a Deep Center Voting Scheme

• arxiv url: http://arxiv.org/abs/2103.06134v1
• Date: Wed, 10 Mar 2021 15:32:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 14:43:59.386229
• Title: Sim2Real 3D Object Classification using Spherical Kernel Point Convolution and a Deep Center Voting Scheme
• Title（参考訳）: Sim2Real 3D Object Classification using Spherical Kernel Point Convolution and a Deep Center Voting Scheme
• Authors: Jean-Baptiste Weibel, Timothy Patten, Markus Vincze
• Abstract要約: 人工的な3dモデルからの学習は、この問題に取り組むのに必要なアノテーションのコストを軽減する。 これらの問題の原因は、多くの方法が形状の代わりに点座標から直接学習するという事実であると推測する。 グラフとして表される物体表面を直接利用する球状核点畳み込みと、貧弱なセグメンテーションの影響を制限する投票方式を紹介します。
• 参考スコア（独自算出の注目度）: 28.072144989298298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While object semantic understanding is essential for most service robotic tasks, 3D object classification is still an open problem. Learning from artificial 3D models alleviates the cost of annotation necessary to approach this problem, but most methods still struggle with the differences existing between artificial and real 3D data. We conjecture that the cause of those issue is the fact that many methods learn directly from point coordinates, instead of the shape, as the former is hard to center and to scale under variable occlusions reliably. We introduce spherical kernel point convolutions that directly exploit the object surface, represented as a graph, and a voting scheme to limit the impact of poor segmentation on the classification results. Our proposed approach improves upon state-of-the-art methods by up to 36% when transferring from artificial objects to real objects.
• Abstract（参考訳）: ほとんどのサービスロボットタスクでは、オブジェクトの意味的理解が不可欠ですが、3Dオブジェクト分類は依然としてオープンな問題です。 人工的な3dモデルからの学習は、この問題に取り組むのに必要なアノテーションのコストを軽減するが、ほとんどの方法は、人工的な3dデータと実際の3dデータの違いに未だに苦労している。 我々は、これらの問題の原因は、多くの方法が形状ではなく、点座標から直接学習するという事実であると考えます。 グラフとして表される物体表面を直接利用する球状核点畳み込みと,分類結果に対するセグメンテーション不良の影響を制限するための投票方式について紹介する。 提案手法は,人工物体から実物体へ移動する際に,最先端の手法を最大36%改善する。

関連論文リスト

• NeurOCS: Neural NOCS Supervision for Monocular 3D Object Localization [80.3424839706698]
  入力として3Dボックスをインスタンスマスクとして使用するNeurOCSを提案する。 われわれのアプローチは、実際の運転シーンから直接カテゴリレベルの形状を学習する際の洞察に依存している。 我々は、オブジェクト中心の視点からオブジェクト座標をより効果的に学習するための重要な設計選択を行う。
  論文  参考訳（メタデータ） (2023-05-28T16:18:41Z)
• BundleSDF: Neural 6-DoF Tracking and 3D Reconstruction of Unknown Objects [89.2314092102403]
  モノクロRGBDビデオシーケンスから未知物体の6-DoF追跡をリアルタイムに行う手法を提案する。 視覚的テクスチャがほとんど欠如している場合でも,任意の剛体オブジェクトに対して有効である。
  論文  参考訳（メタデータ） (2023-03-24T17:13:49Z)
• 3D Surface Reconstruction in the Wild by Deforming Shape Priors from Synthetic Data [24.97027425606138]
  1枚の画像から被写体の3次元表面を再構築することは難しい問題である。 本稿では,1枚の画像から3次元合成とオブジェクトポーズ推定を行う新しい手法を提案する。 提案手法は,複数の実世界のデータセットにまたがって,最先端の再構築性能を実現する。
  論文  参考訳（メタデータ） (2023-02-24T20:37:27Z)
• InOR-Net: Incremental 3D Object Recognition Network for Point Cloud Representation [51.121731449575776]
  我々は,新しい3Dオブジェクトのクラスを連続的に認識するインクリメンタル3Dオブジェクト認識ネットワーク(InOR-Net)を開発した。 具体的には、各クラスの特徴的な3次元特性を持つ局所幾何学的構造を推論するために、カテゴリー誘導幾何学的推論を提案する。 そこで我々は,従来の3Dオブジェクトのクラスにおける破滅的な忘れを克服するために,各クラス内のどの3次元幾何学的特徴が有用であるかを識別する,新しい批評家による幾何学的注意機構を提案する。
  論文  参考訳（メタデータ） (2023-02-20T10:30:16Z)
• Explain What You See: Open-Ended Segmentation and Recognition of Occluded 3D Objects [0.0]
  局所HDPの柔軟性を有する3次元オブジェクト分割法を提案する。 提案手法は,より少ない数の学習インスタンスを用いて,連合間の平均交叉率が高いことを示す。 得られたモデルが3次元オブジェクトカテゴリ認識タスクに対して明確な説明セットを生成することを示す。
  論文  参考訳（メタデータ） (2023-01-17T17:43:46Z)
• End-to-End Learning of Multi-category 3D Pose and Shape Estimation [128.881857704338]
  本稿では,画像から2次元キーポイントを同時に検出し,それらを3次元に引き上げるエンド・ツー・エンド手法を提案する。 提案手法は2次元キーポイントアノテーションからのみ2次元検出と3次元リフトを学習する。 画像から3D学習へのエンドツーエンド化に加えて,1つのニューラルネットワークを用いて複数のカテゴリからのオブジェクトも処理する。
  論文  参考訳（メタデータ） (2021-12-19T17:10:40Z)
• KeypointDeformer: Unsupervised 3D Keypoint Discovery for Shape Control [64.46042014759671]
  keypointdeformerは、自動検出された3dキーポイントによる形状制御の教師なし方式である。 本手法は, 直観的かつ意味論的に形状変形の制御を行う。
  論文  参考訳（メタデータ） (2021-04-22T17:59:08Z)
• OCM3D: Object-Centric Monocular 3D Object Detection [35.804542148335706]
  モノクロ3次元物体検出のための新しい物体中心ボクセル表現を提案する。 具体的には、各オブジェクトの提案に基づいてボクセルを構築し、それらのサイズは点の3次元空間分布によって適応的に決定される。 本手法は、最先端の手法を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2021-04-13T09:15:40Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)

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。