論文の概要: A Robust Scheme for 3D Point Cloud Copy Detection

• arxiv url: http://arxiv.org/abs/2110.00972v1
• Date: Sun, 3 Oct 2021 10:10:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:41:58.887021
• Title: A Robust Scheme for 3D Point Cloud Copy Detection
• Title（参考訳）: 3次元点クラウドコピー検出のためのロバストスキーム
• Authors: Jiaqi Yang, Xuequan Lu, and Wenzhi Chen
• Abstract要約: 既存の3D幾何学のコピー検出研究は、まず透かしを埋め込んだ3D透かしに焦点を合わせ、次に追加した透かしを検出する。 この種の手法は非直線方向であり、収穫や騒音などの攻撃に対して頑丈でない可能性がある。 そこで本研究では,複数の操作が存在する場合において,ある点群がプラジャイズされているか,あるいは別の点群にコピーされているかという問題に対処する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 15.662381851618704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing 3D geometry copy detection research focused on 3D watermarking, which first embeds ``watermarks'' and then detects the added watermarks. However, this kind of methods is non-straightforward and may be less robust to attacks such as cropping and noise. In this paper, we focus on a fundamental and practical research problem: judging whether a point cloud is plagiarized or copied to another point cloud in the presence of several manipulations (e.g., similarity transformation, smoothing). We propose a novel method to address this critical problem. Our key idea is first to align the two point clouds and then calculate their similarity distance. We design three different measures to compute the similarity. We also introduce two strategies to speed up our method. Comprehensive experiments and comparisons demonstrate the effectiveness and robustness of our method in estimating the similarity of two given 3D point clouds.
• Abstract（参考訳）: 既存の3D幾何コピー検出研究は、3D透かしに焦点をあてており、まず「透かし」を埋め込んで、追加した透かしを検出する。 しかし、この種の手法はストレートフォワードではなく、クロップやノイズなどの攻撃に対するロバスト性が低い可能性がある。 本稿では,複数の操作(例:類似性変換,平滑化)が存在する場合,ある点雲が別の点雲に盗作されているか,あるいは複製されているかを判断する,基礎的かつ実用的な研究課題に着目する。 我々はこの問題に対処するための新しい手法を提案する。 まず、2つの点の雲を整列させ、それらの類似度距離を計算する。 我々は類似性を計算するために3つの異なる尺度を設計する。 手法を高速化する2つの戦略も導入する。 包括的実験と比較により,2つの3次元点雲の類似度を推定する手法の有効性と頑健性が示された。

関連論文リスト

• Irregular Change Detection in Sparse Bi-Temporal Point Clouds using Learned Place Recognition Descriptors and Point-to-Voxel Comparison [0.0]
  本稿では3次元点雲における変化検出のための革新的なアプローチを提案する。 深層学習位置認識記述子とボクセル対ポイント比較に基づく不規則物体抽出を用いる。 提案手法は実世界の実地実験で評価された。
  論文  参考訳（メタデータ） (2023-06-27T12:22:25Z)
• Leveraging Single-View Images for Unsupervised 3D Point Cloud Completion [53.93172686610741]
  Cross-PCCは3次元完全点雲を必要としない教師なしの点雲補完法である。 2次元画像の相補的な情報を活用するために,単視点RGB画像を用いて2次元特徴を抽出する。 我々の手法は、いくつかの教師付き手法に匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2022-12-01T15:11:21Z)
• Passive Defense Against 3D Adversarial Point Clouds Through the Lens of 3D Steganalysis [1.14219428942199]
  3次元逆転点雲検出器は3次元ステガナリシスのレンズを通して設計されている。 我々の知る限り、この研究は初めて3次元ステガナリシスを3次元対人防御に適用した。
  論文  参考訳（メタデータ） (2022-05-18T06:19:15Z)
• Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion [31.52721107477401]
  現在のLiDARのみの3D検出方法は、必然的に点雲の間隔に悩まされる。 本稿では,奥行き完了から発生する疑似点雲を利用した,新しいマルチモーダルフレームワークSFD(Sparse Fuse Dense)を提案する。 本手法は, SFD の有効性を実証し, 3D オブジェクト検出リーダボードのKITTI カーにおける最上位項目を保持する。
  論文  参考訳（メタデータ） (2022-03-18T07:56:35Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• Unsupervised Learning of Fine Structure Generation for 3D Point Clouds by 2D Projection Matching [66.98712589559028]
  微細な構造を持つ3次元点雲生成のための教師なしアプローチを提案する。 本手法は2次元シルエット画像から異なる解像度で微細な3次元構造を復元することができる。
  論文  参考訳（メタデータ） (2021-08-08T22:15:31Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• Point-set Distances for Learning Representations of 3D Point Clouds [21.860204082926415]
  本稿では,3次元点雲の表現を学習するために,スライスされたワッサースタイン距離という,ワッサーシュタイン距離の変種を用いることを提案する。 実験により、スライスされたワッサースタイン距離により、ニューラルネットワークはチャンファーの差よりも効率的な表現を学習できることが示された。
  論文  参考訳（メタデータ） (2021-02-08T06:09:13Z)
• ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
  我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。 以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
  論文  参考訳（メタデータ） (2020-05-24T00:03:27Z)

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。