論文の概要: Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations

• arxiv url: http://arxiv.org/abs/2110.07727v1
• Date: Fri, 8 Oct 2021 04:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 15:16:51.367085
• Title: Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations
• Title（参考訳）: 複雑な3次元メッシュ変形に対するニューラルネットワーク衝突ハンドラの能動学習
• Authors: Qingyang Tan, Zherong Pan, Breannan Smith, Takaaki Shiratori, Dinesh Manocha
• Abstract要約: 3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
• 参考スコア（独自算出の注目度）: 68.0524382279567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a robust learning algorithm to detect and handle collisions in 3D deforming meshes. Our collision detector is represented as a bilevel deep autoencoder with an attention mechanism that identifies colliding mesh sub-parts. We use a numerical optimization algorithm to resolve penetrations guided by the network. Our learned collision handler can resolve collisions for unseen, high-dimensional meshes with thousands of vertices. To obtain stable network performance in such large and unseen spaces, we progressively insert new collision data based on the errors in network inferences. We automatically label these data using an analytical collision detector and progressively fine-tune our detection networks. We evaluate our method for collision handling of complex, 3D meshes coming from several datasets with different shapes and topologies, including datasets corresponding to dressed and undressed human poses, cloth simulations, and human hand poses acquired using multiview capture systems. Our approach outperforms supervised learning methods and achieves $93.8-98.1\%$ accuracy compared to the groundtruth by analytic methods. Compared to prior learning methods, our approach results in a $5.16\%-25.50\%$ lower false negative rate in terms of collision checking and a $9.65\%-58.91\%$ higher success rate in collision handling.
• Abstract（参考訳）: 3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 衝突検知器は、衝突するメッシュ部分を特定するアテンション機構を備えた2レベルディープオートエンコーダとして表現される。 数値最適化アルゴリズムを用いて,ネットワークが導いた浸透を解消する。 我々の学習した衝突ハンドラは、何千もの頂点を持つ未知の高次元メッシュの衝突を解決できる。 このような大規模かつ未知の空間において安定したネットワーク性能を得るため,ネットワーク推論の誤りに基づいて,新たな衝突データを段階的に挿入する。 これらのデータを解析的衝突検出器を用いて自動的にラベル付けし,検出ネットワークを段階的に微調整する。 本研究では,複数の形状や地形の異なる複雑な3次元メッシュの衝突ハンドリング手法について評価し,マルチビューキャプチャシステムを用いて取得した衣服や無着の人間のポーズに対応するデータセット,布のシミュレーション,手のポーズなどについて検討した。 提案手法は教師付き学習法を上回り,分析手法による基礎値と比較して9,3.8-98.1\%の精度を達成する。 先行学習法と比較して、衝突チェックの観点からは5.16\%-25.50\%$低い偽陰性率、衝突処理において9.65\%-58.91\%$高い成功率が得られる。

関連論文リスト

• Online Collision Risk Estimation via Monocular Depth-Aware Object Detectors and Fuzzy Inference [6.856508678236828]
  このフレームワークは、異なるアルゴリズムによって生成される予測を2つ受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2組の予測の不一致が3次元物体検出器の安全性関連誤差と強く相関していることを実験的に検証した。
  論文  参考訳（メタデータ） (2024-11-09T20:20:36Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Pattern-Aware Data Augmentation for LiDAR 3D Object Detection [7.394029879643516]
  本稿では,LiDARの特性に基づいてオブジェクトの点群をダウンサンプリングするデータ拡張手法である,パターン認識基底真理サンプリングを提案する。 自動車クラスにおけるPV-RCNNの性能は,25m以上の距離で分割したKITTI検証で0.7%以上向上した。
  論文  参考訳（メタデータ） (2021-11-30T19:14:47Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Angle Based Feature Learning in GNN for 3D Object Detection using Point Cloud [4.3012765978447565]
  本稿では,点群における3次元物体検出のための特徴符号化手法を提案する。 車、歩行者、自転車といった3D物体の検出には、グラフニューラルネットワーク(GNN)を使用しました。
  論文  参考訳（メタデータ） (2021-08-02T10:56:02Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Leveraging Uncertainties for Deep Multi-modal Object Detection in Autonomous Driving [12.310862288230075]
  この研究は、LiDAR点雲とRGBカメラ画像を組み合わせて、堅牢で正確な3Dオブジェクト検出を行う確率論的ディープニューラルネットワークを提案する。 分類および回帰作業における不確実性を明示的にモデル化し、不確実性を活用してサンプリング機構を用いて核融合ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-02-01T14:24:51Z)

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。