論文の概要: Skeleton Merger: an Unsupervised Aligned Keypoint Detector
- arxiv url: http://arxiv.org/abs/2103.10814v1
- Date: Fri, 19 Mar 2021 14:00:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:31:14.521197
- Title: Skeleton Merger: an Unsupervised Aligned Keypoint Detector
- Title(参考訳): Skeleton Merger: 教師なしキーポイント検出器
- Authors: Ruoxi Shi, Zhengrong Xue, Yang You, Cewu Lu
- Abstract要約: Skeleton MergerはAutoencoderアーキテクチャに基づく教師なしのキーポイント検出器である。
セマンティックにリッチな有能なキーポイントをアライメントで検出でき、KeypointNetデータセット上の教師付きメソッド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): 44.983569951041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting aligned 3D keypoints is essential under many scenarios such as
object tracking, shape retrieval and robotics. However, it is generally hard to
prepare a high-quality dataset for all types of objects due to the ambiguity of
keypoint itself. Meanwhile, current unsupervised detectors are unable to
generate aligned keypoints with good coverage. In this paper, we propose an
unsupervised aligned keypoint detector, Skeleton Merger, which utilizes
skeletons to reconstruct objects. It is based on an Autoencoder architecture.
The encoder proposes keypoints and predicts activation strengths of edges
between keypoints. The decoder performs uniform sampling on the skeleton and
refines it into small point clouds with pointwise offsets. Then the activation
strengths are applied and the sub-clouds are merged. Composite Chamfer Distance
(CCD) is proposed as a distance between the input point cloud and the
reconstruction composed of sub-clouds masked by activation strengths. We
demonstrate that Skeleton Merger is capable of detecting semantically-rich
salient keypoints with good alignment, and shows comparable performance to
supervised methods on the KeypointNet dataset. It is also shown that the
detector is robust to noise and subsampling. Our code is available at
https://github.com/eliphatfs/SkeletonMerger.
- Abstract(参考訳): 整列した3Dキーポイントの検出は、オブジェクト追跡、形状検索、ロボット工学といった多くのシナリオにおいて不可欠である。
しかし、一般にキーポイント自体の曖昧さのため、あらゆる種類のオブジェクトに対して高品質なデータセットを作成することは困難である。
一方、現在の教師なし検出器は、良好なカバレッジで整列キーポイントを生成できない。
本稿では,骨格を用いて物体を再構成する非教師付きキーポイント検出器,Skeleton Mergerを提案する。
これはAutoencoderアーキテクチャに基づいている。
エンコーダはキーポイントを提案し、キーポイント間のエッジの活性化強度を予測する。
デコーダは骨格の均一なサンプリングを行い、点方向のオフセットを持つ小さな点雲に精製する。
そして、活性化強度を適用し、サブクラウドをマージする。
入力点雲と活性化強度によって隠蔽されたサブ雲からなる再構成との距離として,複合チャンファー距離 (CCD) を提案する。
我々は,Skeleton Mergerがセマンティックに豊富な有意なキーポイントを適切なアライメントで検出できることを示し,KeypointNetデータセット上の教師付きメソッドと同等のパフォーマンスを示す。
また、検出器はノイズやサブサンプリングに頑健であることが示されている。
私たちのコードはhttps://github.com/eliphatfs/skeletonmergerで入手できます。
関連論文リスト
- DeDoDe: Detect, Don't Describe -- Describe, Don't Detect for Local
Feature Matching [14.837075102089]
キーポイント検出は3次元再構成において重要なステップであり、シーンの各ビューで最大K点のセットを検出する。
従来の学習に基づく手法は、通常、キーポイントを持つ記述子を学習し、キーポイント検出を隣り合う隣人の二項分類タスクとして扱う。
本研究は, キーポイントを3次元整合性から直接学習し, この目的を達成するための半教師付き2視点検出目標を導出する。
その結果,複数の幾何ベンチマークにおいて,DeDoDeという手法が大幅に向上していることが判明した。
論文 参考訳(メタデータ) (2023-08-16T16:37:02Z) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳(メタデータ) (2022-11-15T15:58:36Z) - SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
形状復元には点雲から3Dキーポイントを検出することが重要である。
形状再構成は3次元キーポイント検出に有効か?
本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
論文 参考訳(メタデータ) (2022-06-03T17:58:43Z) - CenterNet++ for Object Detection [174.59360147041673]
ボトムアップアプローチはトップダウンと同じくらい競争力があり、リコールも高くなります。
CenterNetと呼ばれる我々のアプローチは、各オブジェクトを三重項キーポイント(左上と右下)として検出する。
MS-COCOデータセットでは、Res2Net-101 と Swin-Transformer の CenterNet がそれぞれ 53.7% と 57.1% のAPを達成している。
論文 参考訳(メタデータ) (2022-04-18T16:45:53Z) - LAKe-Net: Topology-Aware Point Cloud Completion by Localizing Aligned
Keypoints [35.82520172874995]
LAKe-Netは、整列キーポイントをローカライズする新しいポイントクラウド補完モデルである。
新しいタイプの骨格であるSurface-Skeletonは、幾何学的先行に基づくキーポイントから生成される。
実験結果から,本手法はポイントクラウド完了時の最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2022-03-31T03:14:48Z) - End-to-End Learning of Keypoint Representations for Continuous Control
from Images [84.8536730437934]
教師なしの事前学習、デコーダ、追加の損失を必要とせずに、エンドツーエンドで効率的なキーポイント表現を学習できることが示される。
提案アーキテクチャは,ソフトアクター・クリティカルエージェントに直接座標を供給するキーポイント抽出器で構成されている。
論文 参考訳(メタデータ) (2021-06-15T09:17:06Z) - UKPGAN: A General Self-Supervised Keypoint Detector [43.35270822722044]
UKPGANは一般的な3Dキーポイント検出器である。
私たちのキーポイントは、注釈付きキーポイントラベルとよく一致します。
我々のモデルは、剛性と非剛性変換の両方の下で安定である。
論文 参考訳(メタデータ) (2020-11-24T09:08:21Z) - CenterNet3D: An Anchor Free Object Detector for Point Cloud [14.506796247331584]
本研究では,アンカーフリーのCenterNet3Dネットワークを提案し,アンカーなしで3次元物体検出を行う。
中心点に基づいて,アンカー不要な3次元物体検出を行うCenterNet3Dネットワークを提案する。
提案手法は,最先端のアンカーベースの一段法よりも優れ,二段法に匹敵する性能を有する。
論文 参考訳(メタデータ) (2020-07-13T13:53:56Z) - KeypointNet: A Large-scale 3D Keypoint Dataset Aggregated from Numerous
Human Annotations [56.34297279246823]
KeypointNetは、最初の大規模かつ多様な3Dキーポイントデータセットである。
16のカテゴリから103,450個のキーポイントと8,234個の3Dモデルを含んでいる。
提案したデータセットに10種類の最先端手法をベンチマークする。
論文 参考訳(メタデータ) (2020-02-28T12:58:56Z)
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。