Fugu-MT 論文翻訳(概要): Learning Canonical 3D Object Representation for Fine-Grained Recognition

論文の概要: Learning Canonical 3D Object Representation for Fine-Grained Recognition

arxiv url: http://arxiv.org/abs/2108.04628v1
Date: Tue, 10 Aug 2021 12:19:34 GMT
ステータス: 処理完了
システム内更新日: 2021-08-11 18:26:56.866761
Title: Learning Canonical 3D Object Representation for Fine-Grained Recognition
Title（参考訳）: きめ細かな認識のための標準3次元物体表現の学習
Authors: Sunghun Joung, Seungryong Kim, Minsu Kim, Ig-Jae Kim, Kwanghoon Sohn
Abstract要約: 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。
参考スコア（独自算出の注目度）: 77.33501114409036
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel framework for fine-grained object recognition that learns to recover object variation in 3D space from a single image, trained on an image collection without using any ground-truth 3D annotation. We accomplish this by representing an object as a composition of 3D shape and its appearance, while eliminating the effect of camera viewpoint, in a canonical configuration. Unlike conventional methods modeling spatial variation in 2D images only, our method is capable of reconfiguring the appearance feature in a canonical 3D space, thus enabling the subsequent object classifier to be invariant under 3D geometric variation. Our representation also allows us to go beyond existing methods, by incorporating 3D shape variation as an additional cue for object recognition. To learn the model without ground-truth 3D annotation, we deploy a differentiable renderer in an analysis-by-synthesis framework. By incorporating 3D shape and appearance jointly in a deep representation, our method learns the discriminative representation of the object and achieves competitive performance on fine-grained image recognition and vehicle re-identification. We also demonstrate that the performance of 3D shape reconstruction is improved by learning fine-grained shape deformation in a boosting manner.
Abstract（参考訳）: 本研究では, 1 つの画像から3次元空間における物体の変動を復元し, 3次元アノテーションを使わずに画像収集を訓練する, 細粒度物体認識のための新しいフレームワークを提案する。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なくし, 正準形状で表現することでこれを実現する。 2次元画像のみの空間変動をモデル化する従来の手法とは異なり、本手法は標準3次元空間における外観特徴を再構成することができ、その後のオブジェクト分類器を3次元形状変化下で不変にすることができる。我々の表現はまた、オブジェクト認識のための追加のキューとして3次元形状のバリエーションを取り入れることで、既存の方法を超えることができる。 3dアノテーションなしでモデルを学習するために、微分可能なレンダラを解析・合成フレームワークにデプロイする。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し,微細な画像認識と車両再識別における競合性能を実現する。また, 微細な形状変形の学習により, 三次元形状復元性能が向上することが実証された。

関連論文リスト

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)
Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
論文参考訳（メタデータ） (2022-03-29T04:57:18Z)
3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
単一の2D画像から3D形状を再構築することは難しい作業だ。従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
論文参考訳（メタデータ） (2022-03-29T02:03:31Z)
GaussiGAN: Controllable Image Synthesis with 3D Gaussians from Unposed Silhouettes [48.642181362172906]
対象物の粗い3次元表現を多視点2次元マスク監視から学習するアルゴリズムを提案する。既存のボクセルを用いた物体再構成法とは対照的に,提案手法は生成した形状やポーズを表現することを学ぶ。リアル照明を用いた合成データセットの結果を示し、対話的なポーズによるオブジェクト挿入を実証する。
論文参考訳（メタデータ） (2021-06-24T17:47:58Z)
Neural Articulated Radiance Field [90.91714894044253]
本稿では,画像から学習した明瞭な物体に対する新しい変形可能な3次元表現であるニューラルArticulated Radiance Field(NARF)を提案する。実験の結果,提案手法は効率的であり,新しいポーズにうまく一般化できることがわかった。
論文参考訳（メタデータ） (2021-04-07T13:23:14Z)
Fully Understanding Generic Objects: Modeling, Segmentation, and Reconstruction [33.95791350070165]
2D画像からジェネリックオブジェクトの3D構造を推定することは、コンピュータビジョンの長年の目標です。半教師付き学習による代替アプローチを取る。つまり、ジェネリックオブジェクトの2Dイメージでは、カテゴリ、形状、およびアルベドの潜在的な表現に分解します。完全な形状とアルベドモデリングにより、モデリングとモデルフィッティングの両方で実際の2Dイメージを活用できることを示しています。
論文参考訳（メタデータ） (2021-04-02T02:39:29Z)
From Points to Multi-Object 3D Reconstruction [71.17445805257196]
単一のRGB画像から複数の3Dオブジェクトを検出し再構成する方法を提案する。キーポイント検出器は、オブジェクトを中心点としてローカライズし、9-DoF境界ボックスや3D形状を含む全てのオブジェクト特性を直接予測する。提示されたアプローチは、軽量な再構築を単一ステージで実行し、リアルタイム能力を持ち、完全に微分可能で、エンドツーエンドのトレーナーブルである。
論文参考訳（メタデータ） (2020-12-21T18:52:21Z)
Canonical 3D Deformer Maps: Unifying parametric and non-parametric methods for dense weakly-supervised category reconstruction [79.98689027127855]
独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
論文参考訳（メタデータ） (2020-08-28T15:44:05Z)

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。