論文の概要: KeypointDeformer: Unsupervised 3D Keypoint Discovery for Shape Control
- arxiv url: http://arxiv.org/abs/2104.11224v1
- Date: Thu, 22 Apr 2021 17:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 14:51:29.541559
- Title: KeypointDeformer: Unsupervised 3D Keypoint Discovery for Shape Control
- Title(参考訳): KeypointDeformer: 形状制御のための教師なし3次元キーポイント発見
- Authors: Tomas Jakab, Richard Tucker, Ameesh Makadia, Jiajun Wu, Noah Snavely,
Angjoo Kanazawa
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 64.46042014759671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce KeypointDeformer, a novel unsupervised method for shape control
through automatically discovered 3D keypoints. We cast this as the problem of
aligning a source 3D object to a target 3D object from the same object
category. Our method analyzes the difference between the shapes of the two
objects by comparing their latent representations. This latent representation
is in the form of 3D keypoints that are learned in an unsupervised way. The
difference between the 3D keypoints of the source and the target objects then
informs the shape deformation algorithm that deforms the source object into the
target object. The whole model is learned end-to-end and simultaneously
discovers 3D keypoints while learning to use them for deforming object shapes.
Our approach produces intuitive and semantically consistent control of shape
deformations. Moreover, our discovered 3D keypoints are consistent across
object category instances despite large shape variations. As our method is
unsupervised, it can be readily deployed to new object categories without
requiring annotations for 3D keypoints and deformations.
- Abstract(参考訳): 自動検出された3次元キーポイントによる形状制御のための新しい教師なし手法であるKeypointDeformerを紹介する。
我々はこれを、同じオブジェクトカテゴリからターゲット3Dオブジェクトにソース3Dオブジェクトをアライメントする問題として捉えた。
本手法は2つの物体の形状の違いを潜在表現の比較により解析する。
この潜在表現は教師なしの方法で学習される3dキーポイントの形式である。
ソースとターゲットオブジェクトの3Dキーポイントの違いは、ソースオブジェクトをターゲットオブジェクトに変形させる形状変形アルゴリズムに通知する。
モデル全体がエンドツーエンドで学習され、3dキーポイントを同時に発見し、オブジェクトの形状を変形するためにそれらを使用するように学習する。
本手法は, 直観的かつ意味論的に形状変形の制御を行う。
さらに,3次元キーポイントは形状変化が大きいにもかかわらず,オブジェクトカテゴリインスタンス間で一致している。
我々の手法は教師なしであるため、3Dキーポイントや変形のアノテーションを必要とせずに、新しいオブジェクトカテゴリに簡単にデプロイできる。
関連論文リスト
- 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) - 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) - AutoShape: Real-Time Shape-Aware Monocular 3D Object Detection [15.244852122106634]
形状認識型2D/3D制約を3D検出フレームワークに組み込む手法を提案する。
具体的には、ディープニューラルネットワークを用いて、2次元画像領域の区別された2Dキーポイントを学習する。
2D/3Dキーポイントの基礎的真理を生成するために、自動的なモデル適合手法が提案されている。
論文 参考訳(メタデータ) (2021-08-25T08:50:06Z) - Learning Canonical 3D Object Representation for Fine-Grained Recognition [77.33501114409036]
本研究では,1枚の画像から3次元空間における物体の変動を再現する微粒な物体認識のための新しいフレームワークを提案する。
我々は,物体を3次元形状とその外観の合成として表現し,カメラ視点の影響を排除した。
深部表現に3次元形状と外観を併用することにより,物体の識別表現を学習する。
論文 参考訳(メタデータ) (2021-08-10T12:19:34Z) - DeformerNet: A Deep Learning Approach to 3D Deformable Object
Manipulation [5.733365759103406]
本稿では,DeformerNetと呼ばれるディープニューラルネットワークを利用した3次元変形可能なオブジェクト操作手法を提案する。
状態表現として3Dポイントクラウドを明示的に使用し、3D機能を学ぶためにポイントクラウドに畳み込みニューラルネットワークを適用します。
DeformerNetは、一度エンドツーエンドでトレーニングを行った後、変形可能なオブジェクトの現在の点雲とターゲット点雲の形状を直接ロボットグリップパー位置の所望の変位にマッピングする。
論文 参考訳(メタデータ) (2021-07-16T18:20:58Z) - Group-Free 3D Object Detection via Transformers [26.040378025818416]
3Dポイントクラウドから3Dオブジェクトを直接検出するためのシンプルで効果的な方法を紹介します。
本手法は, 点群内のすべての点から物体の特徴を, 変圧器 citevaswaniattention における注意機構の助けを借りて計算する。
ベルやホイッスルが少ないため,ScanNet V2とSUN RGB-Dの2つのベンチマークで最先端の3Dオブジェクト検出性能を実現する。
論文 参考訳(メタデータ) (2021-04-01T17:59:36Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳(メタデータ) (2020-04-02T17:48:50Z) - Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from
Point Sets [71.84892018102465]
本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。
私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。
論文 参考訳(メタデータ) (2020-03-17T10:28:02Z)
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。