論文の概要: YOLOStereo3D: A Step Back to 2D for Efficient Stereo 3D Detection
- arxiv url: http://arxiv.org/abs/2103.09422v1
- Date: Wed, 17 Mar 2021 03:43:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 12:59:09.650209
- Title: YOLOStereo3D: A Step Back to 2D for Efficient Stereo 3D Detection
- Title（参考訳）: YOLOStereo3D:効率的なステレオ3D検出のためのステップバック2D
- Authors: Yuxuan Liu, Lujia Wang, Ming Liu
- Abstract要約: YOLOStereo3Dは1つのGPUでトレーニングされ、10fps以上で動作する。
LiDARデータを使わずに、最先端のステレオ3D検出フレームワークに匹敵するパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 6.5702792909006735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection in 3D with stereo cameras is an important problem in
computer vision, and is particularly crucial in low-cost autonomous mobile
robots without LiDARs.
Nowadays, most of the best-performing frameworks for stereo 3D object
detection are based on dense depth reconstruction from disparity estimation,
making them extremely computationally expensive.
To enable real-world deployments of vision detection with binocular images,
we take a step back to gain insights from 2D image-based detection frameworks
and enhance them with stereo features.
We incorporate knowledge and the inference structure from real-time one-stage
2D/3D object detector and introduce a light-weight stereo matching module.
Our proposed framework, YOLOStereo3D, is trained on one single GPU and runs
at more than ten fps. It demonstrates performance comparable to
state-of-the-art stereo 3D detection frameworks without usage of LiDAR data.
The code will be published in https://github.com/Owen-Liuyuxuan/visualDet3D.
- Abstract（参考訳）: ステレオカメラを用いた3D物体検出はコンピュータビジョンにおいて重要な問題であり、LiDARのない低コストの自律移動ロボットでは特に重要である。
今日では、ステレオ3次元物体検出のための最高の性能のフレームワークのほとんどは、差分推定による深度再構成に基づいており、計算コストが非常に高い。
両眼画像による視覚検出の現実的な展開を可能にするため、2次元画像に基づく検出フレームワークから洞察を得て、ステレオ機能でそれらを強化する。
実時間1段2D/3Dオブジェクト検出器の知識と推論構造を取り入れ,軽量ステレオマッチングモジュールを導入する。
提案するフレームワークであるYOLOStereo3Dは,単一のGPU上で10fps以上で動作する。
LiDARデータを使わずに、最先端のステレオ3D検出フレームワークに匹敵するパフォーマンスを示す。
コードはhttps://github.com/Owen-Liuyuxuan/visualDet3Dで公開される。
関連論文リスト
- Weakly Supervised Monocular 3D Detection with a Single-View Image [58.57978772009438]
モノクロ3D検出は、単一視点画像からの正確な3Dオブジェクトのローカライゼーションを目的としている。
SKD-WM3Dは弱い教師付き単分子3D検出フレームワークである。
我々は,SKD-WM3Dが最先端技術を超え,多くの完全教師付き手法と同等であることを示した。
論文 参考訳（メタデータ） (2024-02-29T13:26:47Z) - DSGN++: Exploiting Visual-Spatial Relation forStereo-based 3D Detectors [60.88824519770208]
カメラベースの3Dオブジェクト検出器は、LiDARセンサーよりも広い展開と低価格のため歓迎されている。
我々は3次元幾何学と意味論の両方を表現するステレオボリューム構造について、以前のステレオモデリングDSGNを再考する。
本稿では,2次元から3次元のパイプラインを通しての情報フローを改善することを目的としたDSGN++を提案する。
論文 参考訳（メタデータ） (2022-04-06T18:43:54Z) - Pseudo-Stereo for Monocular 3D Object Detection in Autonomous Driving [14.582107328849473]
ステレオビューにおける画像-画像生成のギャップは、画像-画像-LiDAR生成のギャップよりもはるかに小さい。
そこで我々はPseudo-Stereo 3D検出フレームワークを3つの新しい仮想ビュー生成手法で提案する。
我々のフレームワークは、KITTI-3Dベンチマークで公表されたモノクラー3D検出器の中で、車、歩行者、サイクリストで1位にランクインしている。
論文 参考訳（メタデータ） (2022-03-04T03:00:34Z) - Voxel-based 3D Detection and Reconstruction of Multiple Objects from a
Single Image [22.037472446683765]
入力画像から3次元特徴持ち上げ演算子を用いて3次元シーン空間に整合した3次元ボクセル特徴の正規格子を学習する。
この3Dボクセルの特徴に基づき,新しいCenterNet-3D検出ヘッドは3D空間におけるキーポイント検出として3D検出を定式化する。
我々は、粗度ボキセル化や、新しい局所PCA-SDF形状表現を含む、効率的な粗度から細度の再構成モジュールを考案する。
論文 参考訳（メタデータ） (2021-11-04T18:30:37Z) - LIGA-Stereo: Learning LiDAR Geometry Aware Representations for
Stereo-based 3D Detector [80.7563981951707]
本稿では,LIGA-Stereoによるステレオ3次元検出器の学習について,LiDARに基づく検出モデルの高レベルな幾何認識表現の指導の下で提案する。
現状のステレオ検出器と比較して,車,歩行者,サイクリストの3次元検出性能は,それぞれ10.44%,5.69%,5.97%向上した。
論文 参考訳（メタデータ） (2021-08-18T17:24:40Z) - FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection [78.00922683083776]
一般的な2D検出器をこの3Dタスクで動作させることは簡単ではない。
本報告では,完全畳み込み型単段検出器を用いた手法を用いてこの問題を考察する。
私たちのソリューションは、NeurIPS 2020のnuScenes 3D検出チャレンジのすべてのビジョンのみの方法の中で1位を獲得します。
論文 参考訳（メタデータ） (2021-04-22T09:35:35Z) - 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。
まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。
次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。
第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
論文 参考訳（メタデータ） (2021-04-06T02:22:24Z) - DSGN: Deep Stereo Geometry Network for 3D Object Detection [79.16397166985706]
画像ベースとLiDARベースの3Dオブジェクト検出器の間には大きなパフォーマンスギャップがある。
我々の手法であるDeep Stereo Geometry Network (DSGN)は,このギャップを著しく低減する。
初めて、シンプルで効果的な1段ステレオベースの3D検出パイプラインを提供する。
論文 参考訳（メタデータ） (2020-01-10T11:44:37Z)
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。