論文の概要: 3D Spatial Recognition without Spatially Labeled 3D
- arxiv url: http://arxiv.org/abs/2105.06461v1
- Date: Thu, 13 May 2021 17:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 15:52:26.609290
- Title: 3D Spatial Recognition without Spatially Labeled 3D
- Title(参考訳): 空間ラベル付き3dを伴わない3次元空間認識
- Authors: Zhongzheng Ren, Ishan Misra, Alexander G. Schwing, and Rohit Girdhar
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 127.6254240158249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce WyPR, a Weakly-supervised framework for Point cloud Recognition,
requiring only scene-level class tags as supervision. WyPR jointly addresses
three core 3D recognition tasks: point-level semantic segmentation, 3D proposal
generation, and 3D object detection, coupling their predictions through self
and cross-task consistency losses. We show that in conjunction with standard
multiple-instance learning objectives, WyPR can detect and segment objects in
point cloud data without access to any spatial labels at training time. We
demonstrate its efficacy using the ScanNet and S3DIS datasets, outperforming
prior state of the art on weakly-supervised segmentation by more than 6% mIoU.
In addition, we set up the first benchmark for weakly-supervised 3D object
detection on both datasets, where WyPR outperforms standard approaches and
establishes strong baselines for future work.
- Abstract(参考訳): Weakly-supervised framework for Point cloud Recognitionでは,シーンレベルのクラスタグのみを監視対象とするWyPRを紹介した。
wyprは、ポイントレベルのセマンティックセグメンテーション、3d提案生成、3dオブジェクト検出という3つのコア3d認識タスクを共同で扱う。
標準のマルチインスタンス学習目標と組み合わせることで、wyprはトレーニング時に任意の空間ラベルにアクセスせずに、ポイントクラウドデータ内のオブジェクトを検出し、セグメンテーションすることができる。
ScanNetとS3DISデータセットを用いてその有効性を実証し、弱教師付きセグメンテーションを6%以上向上させた。
さらに、WyPRが標準的なアプローチより優れ、将来の作業の強力なベースラインを確立するため、両方のデータセットで弱教師付き3Dオブジェクト検出のための最初のベンチマークを設定しました。
関連論文リスト
- Point-DETR3D: Leveraging Imagery Data with Spatial Point Prior for Weakly Semi-supervised 3D Object Detection [32.86369670395974]
本稿では,弱半教師付き3D検出のための教師支援フレームワークであるPoint-DETR3Dを紹介する。
ラベル付きデータの5%しか持たないPoint-DETR3Dは、完全な教師付きデータのパフォーマンスを90%以上達成している。
論文 参考訳(メタデータ) (2024-03-22T16:11:29Z) - 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) - SL3D: Self-supervised-Self-labeled 3D Recognition [89.19932178712065]
自己教師付き自己ラベル型3D認識(SL3D)フレームワークを提案する。
SL3Dはクラスタリングと学習機能表現という2つの結合した目的を同時に解決する。
分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな3D認識タスクに応用することができる。
論文 参考訳(メタデータ) (2022-10-30T11:08:25Z) - SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object
Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。
そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。
実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文 参考訳(メタデータ) (2022-01-06T08:54:47Z) - 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) - Learning Monocular 3D Vehicle Detection without 3D Bounding Box Labels [0.09558392439655011]
3Dオブジェクト検出器のトレーニングには、3Dバウンディングボックスラベルを持つデータセットが必要である。
本稿では,3次元境界ボックスラベルを使わずにモノラルな3次元物体検出を学習するためのネットワークアーキテクチャとトレーニング手順を提案する。
提案アルゴリズムを実世界のKITTIデータセット上で評価し,トレーニングに3Dバウンディングボックスラベルを必要とする最先端の手法と比較して有望な性能を実現する。
論文 参考訳(メタデータ) (2020-10-07T16:24:46Z) - Improving Point Cloud Semantic Segmentation by Learning 3D Object
Detection [102.62963605429508]
ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。
現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。
Aware 3D Semantic Detection (DASS) フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-22T14:17:40Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳(メタデータ) (2019-12-26T08:48:04Z)
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。