Fugu-MT 論文翻訳(概要): Open-set 3D Object Detection

論文の概要: Open-set 3D Object Detection

arxiv url: http://arxiv.org/abs/2112.01135v1
Date: Thu, 2 Dec 2021 11:18:03 GMT
ステータス: 処理完了
システム内更新日: 2021-12-03 15:29:47.888142
Title: Open-set 3D Object Detection
Title（参考訳）: オープンセット3次元物体検出
Authors: Jun Cen, Peng Yun, Junhao Cai, Michael Yu Wang, Ming Liu
Abstract要約: 本研究では, 未知の物体を識別し, 未知の物体を識別することを目的としたオープンセット3次元物体検出器を提案する。提案手法は,メトリクス学習と教師なしクラスタリングを組み合わせたMLUCネットワークである。実験の結果,我々のMLUCネットワークは最先端の性能を達成し,未知の物体と未知の物体の両方を期待通りに識別できることがわかった。
参考スコア（独自算出の注目度）: 12.617115020561789
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: 3D object detection has been wildly studied in recent years, especially for robot perception systems. However, existing 3D object detection is under a closed-set condition, meaning that the network can only output boxes of trained classes. Unfortunately, this closed-set condition is not robust enough for practical use, as it will identify unknown objects as known by mistake. Therefore, in this paper, we propose an open-set 3D object detector, which aims to (1) identify known objects, like the closed-set detection, and (2) identify unknown objects and give their accurate bounding boxes. Specifically, we divide the open-set 3D object detection problem into two steps: (1) finding out the regions containing the unknown objects with high probability and (2) enclosing the points of these regions with proper bounding boxes. The first step is solved by the finding that unknown objects are often classified as known objects with low confidence, and we show that the Euclidean distance sum based on metric learning is a better confidence score than the naive softmax probability to differentiate unknown objects from known objects. On this basis, unsupervised clustering is used to refine the bounding boxes of unknown objects. The proposed method combining metric learning and unsupervised clustering is called the MLUC network. Our experiments show that our MLUC network achieves state-of-the-art performance and can identify both known and unknown objects as expected.
Abstract（参考訳）: 近年,ロボット認識システムにおいて3次元物体検出が盛んに研究されている。しかし、既存の3Dオブジェクト検出はクローズドセット状態であり、ネットワークは訓練されたクラスのボックスのみを出力できる。残念なことに、このクローズドセット条件は、ミスで知られている未知のオブジェクトを識別するため、実用上十分に堅牢ではない。そこで本研究では,(1)クローズドセット検出のような既知の物体を識別し,(2)未知の物体を識別し,それらの正確な拘束箱を与えるオープンセット3Dオブジェクト検出器を提案する。具体的には、オープンセットの3Dオブジェクト検出問題を、(1)未知のオブジェクトを含む領域を高い確率で発見し、(2)これらの領域の点を適切なバウンディングボックスで囲む2つのステップに分割する。最初のステップは、未知の物体は、しばしば低い信頼度を持つ既知の物体として分類され、計量学習に基づくユークリッド距離和は、未知の物体と既知の物体を区別するナイーブ・ソフトマックス確率よりも優れた信頼度スコアであることを示すことによって解決される。このベースで、教師なしクラスタリングは未知のオブジェクトの境界ボックスを洗練するために使用される。メトリクス学習と教師なしクラスタリングを組み合わせた手法をMLUCネットワークと呼ぶ。実験の結果,我々のMLUCネットワークは最先端の性能を達成し,未知の物体と未知の物体の両方を期待通りに識別できることがわかった。

関連論文リスト

Towards Open-set Camera 3D Object Detection [32.922859871463835]
OS-Det3D (Open-set Camera 3D Object Detection) は、カメラ3D検出器が既知の物体と未知の物体の両方を識別する能力を高めるための2段階の訓練フレームワークである。提案する3Dオブジェクト探索ネットワーク(ODN3D)は,3Dボックスの位置やスケールといった幾何学的手法を用いて,特に訓練されている。未知のオブジェクトを識別する際の精度を高めるために,JOSモジュールを導入する。
論文参考訳（メタデータ） (2024-06-25T05:58:34Z)
Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-31T08:17:29Z)
Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。我々は,OSODの課題に対処するため,Openset RCNNを提案する。我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
論文参考訳（メタデータ） (2022-11-21T15:00:04Z)
4D Unsupervised Object Discovery [53.561750858325915]
本研究では,3次元点雲と2次元RGB画像の時間的情報を用いた4次元データからオブジェクトを共同で検出する4次元非教師対象探索を提案する。本稿では,2次元ローカライゼーションネットワークで協調的に最適化された3次元点雲上にClusterNetを提案することで,この課題に対する最初の実践的アプローチを提案する。
論文参考訳（メタデータ） (2022-10-10T16:05:53Z)
Detecting the unknown in Object Detection [20.84221126313118]
我々は、アノテーションを必要とせずに未知のオブジェクトを予測できるUNKADと呼ばれる新しいトレーニング戦略を提案する。 UNKADはまず未知のオブジェクトを識別し、擬似ラベルを使用して未知のクラスをトレーニングする。 UNKADは未知の物体を直接検出できるが、従来の未知の検出技術と組み合わせることで、コストなしで性能を向上できることを示す。
論文参考訳（メタデータ） (2022-08-24T16:27:38Z)
More Practical Scenario of Open-set Object Detection: Open at Category Level and Closed at Super-category Level [23.98839374194848]
オープンセットオブジェクト検出(OSOD)は近年注目されている。我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
論文参考訳（メタデータ） (2022-07-20T09:28:51Z)
GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文参考訳（メタデータ） (2022-07-06T06:26:17Z)
ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
論文参考訳（メタデータ） (2022-03-31T17:52:12Z)
Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文参考訳（メタデータ） (2021-03-30T10:38:01Z)
Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文参考訳（メタデータ） (2020-11-25T18:59:54Z)
SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。