論文の概要: Neural Scene Flow Prior

• arxiv url: http://arxiv.org/abs/2111.01253v1
• Date: Mon, 1 Nov 2021 20:44:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:09:52.122193
• Title: Neural Scene Flow Prior
• Title（参考訳）: 前もってのニューラルシーンフロー
• Authors: Xueqian Li, Jhony Kaesemodel Pontes, Simon Lucey
• Abstract要約: ディープラーニング革命以前、多くの知覚アルゴリズムは実行時最適化と強力な事前/正規化ペナルティに基づいていた。 本稿では,実行時最適化と強い正規化に大きく依存するシーンフロー問題を再考する。 ここでの中心的なイノベーションは、ニューラルネットワークのアーキテクチャを新しいタイプの暗黙正則化器として使用する、前もってニューラルネットワークのシーンフローを含めることである。
• 参考スコア（独自算出の注目度）: 30.878829330230797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Before the deep learning revolution, many perception algorithms were based on runtime optimization in conjunction with a strong prior/regularization penalty. A prime example of this in computer vision is optical and scene flow. Supervised learning has largely displaced the need for explicit regularization. Instead, they rely on large amounts of labeled data to capture prior statistics, which are not always readily available for many problems. Although optimization is employed to learn the neural network, the weights of this network are frozen at runtime. As a result, these learning solutions are domain-specific and do not generalize well to other statistically different scenarios. This paper revisits the scene flow problem that relies predominantly on runtime optimization and strong regularization. A central innovation here is the inclusion of a neural scene flow prior, which uses the architecture of neural networks as a new type of implicit regularizer. Unlike learning-based scene flow methods, optimization occurs at runtime, and our approach needs no offline datasets -- making it ideal for deployment in new environments such as autonomous driving. We show that an architecture based exclusively on multilayer perceptrons (MLPs) can be used as a scene flow prior. Our method attains competitive -- if not better -- results on scene flow benchmarks. Also, our neural prior's implicit and continuous scene flow representation allows us to estimate dense long-term correspondences across a sequence of point clouds. The dense motion information is represented by scene flow fields where points can be propagated through time by integrating motion vectors. We demonstrate such a capability by accumulating a sequence of lidar point clouds.
• Abstract（参考訳）: ディープラーニング革命以前、多くの知覚アルゴリズムは実行時最適化と強力な事前/正規化ペナルティに基づいていた。 コンピュータビジョンにおけるこの主な例は光学とシーンフローである。 教師付き学習は、明示的な正規化の必要性をほとんど取り除いた。 代わりに、大量のラベル付きデータを使用して事前統計をキャプチャするが、多くの問題に対して必ずしも容易に利用できない。 ニューラルネットワークの学習には最適化が使用されるが、このネットワークの重みは実行時に凍結される。 その結果、これらの学習ソリューションはドメイン固有であり、他の統計的に異なるシナリオによく当てはまらない。 本稿では,実行時最適化と強い正規化に大きく依存するシーンフロー問題を再考する。 ここでの中心的なイノベーションは、ニューラルネットワークのアーキテクチャを新しいタイプの暗黙正則化器として使用する、前もってニューラルネットワークのシーンフローを含めることである。 学習ベースのシーンフローメソッドとは異なり、最適化は実行時に発生し、我々のアプローチではオフラインのデータセットは必要とせず、自律運転のような新しい環境へのデプロイに最適である。我々は、マルチレイヤパーセプトロン(MLP)のみをベースとしたアーキテクチャをシーンフローとして使用できることを示します。我々の手法は、シーンフローベンチマークで競争力のある結果を得ることができます。 また、神経前兆の暗黙的かつ連続的なシーンフロー表現は、ポイント雲の列にまたがる密集した長期対応を推定することができる。 濃密な動き情報は、動きベクトルを統合することにより、時間を通して点を伝播できるシーンフローフィールドによって表現される。 我々は,lidar点雲の列を蓄積することで,このような能力を示す。

関連論文リスト

• Understanding Optimization in Deep Learning with Central Flows [53.66160508990508]
  RMSの暗黙的な振る舞いは、微分方程式の「中央流:」によって明示的に捉えられることを示す。 これらのフローは、汎用ニューラルネットワークの長期最適化軌道を経験的に予測できることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:13Z)
• Neural Eulerian Scene Flow Fields [59.57980592109722]
  EulerFlowは、複数のドメインをチューニングすることなく、最初から動作します。 長期間の地平線上での推定ODEを解くことで、創発的な3次元点追跡挙動を示す。 2024年のArgoverse 2 Scene Flow Challengeでは、すべての先行技術より優れています。
  論文  参考訳（メタデータ） (2024-10-02T20:56:45Z)
• MemFlow: Optical Flow Estimation and Prediction with Memory [54.22820729477756]
  本稿では,メモリを用いた光フロー推定と予測をリアルタイムに行うMemFlowを提案する。 本手法では,メモリの読み出しと更新を行うモジュールをリアルタイムに収集する。 われわれのアプローチは、過去の観測に基づいて、将来の光流の予測にシームレスに拡張する。
  論文  参考訳（メタデータ） (2024-04-07T04:56:58Z)
• OptFlow: Fast Optimization-based Scene Flow Estimation without Supervision [6.173968909465726]
  高速な最適化に基づくシーンフロー推定手法であるOpsFlowを提案する。 人気の高い自動運転ベンチマークにおけるシーンフロー推定のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-04T21:47:56Z)
• Multi-Body Neural Scene Flow [37.31530794244607]
  本研究では, 剛体のSE(3)$パラメータを制約する, 煩雑で不安定な戦略を使わずに, 多体剛性を実現することができることを示す。 これは、剛体に対する流れ予測における等尺性を促進するために、シーンフロー最適化を規則化することによって達成される。 実世界のデータセットに関する広範な実験を行い、我々の手法が3次元シーンフローにおける最先端の4次元軌道予測と長期的ポイントワイドの4次元軌道予測より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-10-16T11:37:53Z)
• Fast Neural Scene Flow [36.29234109363439]
  座標ニューラルネットワークは、トレーニングなしで実行時のシーンフローを推定する。 本稿では,損失関数自体から生じる支配的な計算ボトルネックを伴って,シーンフローが異なることを実証する。 我々の高速ニューラルネットワークシーンフロー(FNSF)アプローチは、学習手法に匹敵するリアルタイムパフォーマンスを初めて報告します。
  論文  参考訳（メタデータ） (2023-04-18T16:37:18Z)
• SCOOP: Self-Supervised Correspondence and Optimization-Based Scene Flow [25.577386156273256]
  シーンフロー推定は、連続した観察からシーンの3次元運動を見つけることを目的として、コンピュータビジョンにおける長年の課題である。 そこで本研究では,少量のデータから学習可能なシーンフロー推定手法であるSCOOPについて紹介する。
  論文  参考訳（メタデータ） (2022-11-25T10:52:02Z)
• Wasserstein Flow Meets Replicator Dynamics: A Mean-Field Analysis of Representation Learning in Actor-Critic [137.04558017227583]
  ニューラルネットワークによって強化されたアクター・クリティカル(AC)アルゴリズムは、近年、かなりの成功を収めている。 我々は,特徴量に基づくニューラルACの進化と収束について,平均場の観点から考察する。 神経性交流は,大域的最適政策をサブ線形速度で求める。
  論文  参考訳（メタデータ） (2021-12-27T06:09:50Z)
• FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation [87.74617110803189]
  シーンフローとして知られるシーン内の点の3次元運動を推定することは、コンピュータビジョンにおける中核的な問題である。 本稿では,シーンフローの予測を洗練するための反復的アライメント手順の1ステップを学習する再帰的アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-19T23:23:48Z)
• Scene Flow from Point Clouds with or without Learning [47.03163552693887]
  シーンフロー(Scene flow)は、シーンの3次元運動場である。 現在の学習ベースのアプローチは、ポイントクラウドから直接シーンフローを推定することを目指している。 本稿では,点雲からシーンフローを復元する,シンプルで解釈可能な目的関数を提案する。
  論文  参考訳（メタデータ） (2020-10-31T17:24:48Z)

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。