論文の概要: What Stops Learning-based 3D Registration from Working in the Real
World?
- arxiv url: http://arxiv.org/abs/2111.10399v1
- Date: Fri, 19 Nov 2021 19:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-26 07:58:29.918249
- Title: What Stops Learning-based 3D Registration from Working in the Real
World?
- Title(参考訳): 学習ベースの3d登録が現実世界で動くのをやめる理由
- Authors: Zheng Dang, Lizhou Wang, Junning Qiu, Minglei Lu, Mathieu Salzmann
- Abstract要約: この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。
最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。
我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
- 参考スコア(独自算出の注目度): 53.68326201131434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Much progress has been made on the task of learning-based 3D point cloud
registration, with existing methods yielding outstanding results on standard
benchmarks, such as ModelNet40, even in the partial-to-partial matching
scenario. Unfortunately, these methods still struggle in the presence of real
data. In this work, we identify the sources of these failures, analyze the
reasons behind them, and propose solutions to tackle them. We summarise our
findings into a set of guidelines and demonstrate their effectiveness by
applying them to different baseline methods, DCP and IDAM. In short, our
guidelines improve both their training convergence and testing accuracy.
Ultimately, this translates to a best-practice 3D registration network (BPNet),
constituting the first learning-based method able to handle previously-unseen
objects in real-world data. Despite being trained only on synthetic data, our
model generalizes to real data without any fine-tuning, reaching an accuracy of
up to 67% on point clouds of unseen objects obtained with a commercial sensor.
- Abstract(参考訳): 学習ベースの3dポイントクラウド登録のタスクには多くの進歩があり、既存の手法はmodelnet40のような標準ベンチマークにおいて、部分的から部分的なマッチングシナリオにおいても優れた結果をもたらしている。
残念ながら、これらの方法はまだ実際のデータの存在に苦戦している。
本研究では,これらの失敗の原因を特定し,その背後にある理由を分析し,対処するための解決策を提案する。
本研究の成果を一連のガイドラインに要約し, DCP と IDAM の異なる基準法に適用することにより, それらの効果を実証する。
要するに、我々のガイドラインはトレーニングの収束とテストの精度の両方を改善している。
最終的に、これは最高の実践的な3d登録ネットワーク(bpnet)に変換され、実世界データで未認識のオブジェクトを処理できる最初の学習ベースの方法を構成する。
合成データのみをトレーニングしたものの,微調整を行わずに実データに一般化し,商用センサで取得した未検出物体の点雲上で最大67%の精度に達する。
関連論文リスト
- 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) - A New Benchmark: On the Utility of Synthetic Data with Blender for Bare
Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。
制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。
これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
論文 参考訳(メタデータ) (2023-03-16T09:03:52Z) - Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud
Analysis [33.31864436614945]
本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。
我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。
これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T05:23:03Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文 参考訳(メタデータ) (2022-03-29T07:55:04Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2021-08-04T15:11:48Z) - 3D Registration for Self-Occluded Objects in Context [66.41922513553367]
このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。
提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。
これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
論文 参考訳(メタデータ) (2020-11-23T08:05:28Z) - Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based
Domain Randomization [1.4290119665435117]
合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。
提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。
3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
論文 参考訳(メタデータ) (2020-11-17T09:12:11Z)
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。