Fugu-MT 論文翻訳(概要): Semi-supervised 3D Object Detection via Temporal Graph Neural Networks

論文の概要: Semi-supervised 3D Object Detection via Temporal Graph Neural Networks

arxiv url: http://arxiv.org/abs/2202.00182v1
Date: Tue, 1 Feb 2022 02:06:54 GMT
ステータス: 処理完了
システム内更新日: 2022-02-03 00:43:41.768204
Title: Semi-supervised 3D Object Detection via Temporal Graph Neural Networks
Title（参考訳）: 時間グラフニューラルネットワークによる半教師付き3次元物体検出
Authors: Jianren Wang, Haiming Gang, Siddarth Ancha, Yi-Ting Chen, David Held
Abstract要約: 3Dオブジェクト検出は、自動運転やその他のロボット工学応用において重要な役割を果たす。本研究では,3次元物体検出器の半教師付き学習により,大量の未ラベルのクラウドビデオを活用することを提案する。本手法は,難解な nuScenes と H3D ベンチマーク上での最先端検出性能を実現する。
参考スコア（独自算出の注目度）: 17.90796183565084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D object detection plays an important role in autonomous driving and other robotics applications. However, these detectors usually require training on large amounts of annotated data that is expensive and time-consuming to collect. Instead, we propose leveraging large amounts of unlabeled point cloud videos by semi-supervised learning of 3D object detectors via temporal graph neural networks. Our insight is that temporal smoothing can create more accurate detection results on unlabeled data, and these smoothed detections can then be used to retrain the detector. We learn to perform this temporal reasoning with a graph neural network, where edges represent the relationship between candidate detections in different time frames. After semi-supervised learning, our method achieves state-of-the-art detection performance on the challenging nuScenes and H3D benchmarks, compared to baselines trained on the same amount of labeled data. Project and code are released at https://www.jianrenw.com/SOD-TGNN/.
Abstract（参考訳）: 3dオブジェクト検出は、自動運転やその他のロボットアプリケーションにおいて重要な役割を果たす。しかし、これらの検出器は通常、収集に要する費用と時間を要する大量の注釈付きデータの訓練を必要とする。代わりに,時間的グラフニューラルネットワークによる3次元物体検出器の半教師付き学習により,多量の無ラベル点クラウドビデオを活用することを提案する。我々の洞察では、時間的平滑化はラベルのないデータでより正確な検出結果を生成することができ、これらの平滑化検出は検出器の再訓練に使用できる。この時間的推論をグラフニューラルネットワークを用いて行うことを学び、エッジは異なる時間枠における候補検出の関係を表す。半教師付き学習の後,本手法は,同じラベル付きデータに基づいてトレーニングされたベースラインと比較して,難易度の高いnuScenesとH3Dベンチマークの最先端検出性能を実現する。プロジェクトとコードはhttps://www.jianrenw.com/SOD-TGNN/.comで公開されている。

関連論文リスト

Shelf-Supervised Cross-Modal Pre-Training for 3D Object Detection [52.66283064389691]
最先端の3Dオブジェクト検出器は、しばしば大量のラベル付きデータセットで訓練される。近年の研究では、ラベル付きデータによる自己教師付き事前学習が、ラベル付きラベルによる検出精度を向上させることが示されている。組合わせRGBとLiDARデータからゼロショット3Dバウンディングボックスを生成するためのシェルフ制御手法を提案する。
論文参考訳（メタデータ） (2024-06-14T15:21:57Z)
Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
論文参考訳（メタデータ） (2023-02-24T22:14:39Z)
Anytime-Lidar: Deadline-aware 3D Object Detection [5.491655566898372]
スケジューリングアルゴリズムを提案する。このアルゴリズムは,コンポーネントのサブセットをインテリジェントに選択し,有効時間と高精度のトレードオフをオンザフライで行う。我々は,最先端の3Dオブジェクト検出ネットワークであるPointPillarsにアプローチを適用し,Jetson Xavier AGXデータセットの性能評価を行った。
論文参考訳（メタデータ） (2022-08-25T16:07:10Z)
3D Object Detection with a Self-supervised Lidar Scene Flow Backbone [10.341296683155973]
本稿では,下流3次元視覚タスクのための汎用クラウドバックボーンモデルを学習するために,自己指導型トレーニング戦略を提案する。我々の主な貢献は、学習の流れと動きの表現を活用し、自己教師付きバックボーンと3D検出ヘッドを組み合わせることである。 KITTIとnuScenesベンチマークの実験により、提案した自己教師付き事前学習は3次元検出性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2022-05-02T07:53:29Z)
A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
論文参考訳（メタデータ） (2022-03-08T17:49:07Z)
3D-FCT: Simultaneous 3D Object Detection and Tracking Using Feature Correlation [0.0]
3D-FCTは、時間情報を利用して3Dオブジェクトの検出と追跡の関連タスクを同時に実行するシームズネットワークアーキテクチャである。提案手法は,最先端手法よりも5.57%mAPの改善が期待できるKITTI追跡データセットを用いて評価した。
論文参考訳（メタデータ） (2021-10-06T06:36:29Z)
AA3DNet: Attention Augmented Real Time 3D Object Detection [0.0]
本稿では,ポイントクラウドデータを用いた3Dオブジェクト検出のためのトレーニングと最適化の詳細とともに,新しいニューラルネットワークアーキテクチャを提案する。本手法は,30FPS以上の速度で走行する平均精度と速度の両面で,この領域における過去の技術状況を上回っている。これにより、自動運転車のようなリアルタイムアプリケーションにデプロイすることが可能になる。
論文参考訳（メタデータ） (2021-07-26T12:18:23Z)
ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文参考訳（メタデータ） (2021-03-09T10:51:24Z)
Expandable YOLO: 3D Object Detection from RGB-D Images [64.14512458954344]
本稿では,ステレオカメラから深度とカラー画像を入力する軽量物体検出器の構築を目的とする。 YOLOv3のネットワークアーキテクチャを中央から3Dに拡張することにより、深さ方向の出力が可能となる。領域抽出結果の精度を確認するため、3次元空間におけるユニノン(IoU)の切断を導入する。
論文参考訳（メタデータ） (2020-06-26T07:32:30Z)
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文参考訳（メタデータ） (2020-03-06T12:51:09Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。