論文の概要: N-QGN: Navigation Map from a Monocular Camera using Quadtree Generating Networks

• arxiv url: http://arxiv.org/abs/2202.11982v1
• Date: Thu, 24 Feb 2022 09:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-26 01:08:38.828839
• Title: N-QGN: Navigation Map from a Monocular Camera using Quadtree Generating Networks
• Title（参考訳）: N-QGN:クアドツリー生成ネットワークを用いた単眼カメラからのナビゲーションマップ
• Authors: Daniel Braun, Olivier Morel, Pascal Vasseur, C\'edric Demonceaux
• Abstract要約: 本稿では,クワッドツリー表現に基づくナビゲーションマップを推定することにより,この問題に対処することを提案する。 目的は、障害物回避に不可欠な詳細のみを抽出する適応的な深度マップ予測を作成することである。 KITTIデータセットを用いた実験により,提案手法は精度を著しく低下させることなく,出力情報の量を大幅に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 3.5901322003344225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular depth estimation has been a popular area of research for several years, especially since self-supervised networks have shown increasingly good results in bridging the gap with supervised and stereo methods. However, these approaches focus their interest on dense 3D reconstruction and sometimes on tiny details that are superfluous for autonomous navigation. In this paper, we propose to address this issue by estimating the navigation map under a quadtree representation. The objective is to create an adaptive depth map prediction that only extract details that are essential for the obstacle avoidance. Other 3D space which leaves large room for navigation will be provided with approximate distance. Experiment on KITTI dataset shows that our method can significantly reduce the number of output information without major loss of accuracy.
• Abstract（参考訳）: 特に自己教師付きネットワークは、教師付きおよびステレオ方式でギャップを橋渡しする良い結果をもたらしているため、ここ数年の間、単眼深度推定は一般的な研究分野であった。 しかし、これらのアプローチは、密集した3d再構成や、自律的なナビゲーションに余計な細部に注目している。 本稿では,クワッドツリー表現に基づくナビゲーションマップを推定することにより,この問題に対処することを提案する。 その目的は、障害物回避に不可欠な詳細だけを抽出する適応的深度マップ予測を作ることである。 ナビゲーション用の大きな空間を残した他の3D空間には、ほぼ近い距離が設けられる。 kittiデータセットの実験により,本手法は精度を損なうことなく,出力情報量を大幅に削減できることを示した。

関連論文リスト

• OCTraN: 3D Occupancy Convolutional Transformer Network in Unstructured Traffic Scenarios [0.0]
  我々は2次元画像特徴を3次元占有特徴に変換するために反復アテンションを用いたトランスフォーマーアーキテクチャOCTraNを提案する。 また、LiDARの地上真実の必要性を排除し、任意のシーンにモデルを一般化するための自己教師型トレーニングパイプラインも開発している。
  論文  参考訳（メタデータ） (2023-07-20T15:06:44Z)
• Collaboration Helps Camera Overtake LiDAR in 3D Detection [49.58433319402405]
  カメラのみの3D検出は、LiDARベースの検出システムと比較して、オブジェクトを3D空間にローカライズするための簡単なソリューションを提供する。 提案するコラボレーティブカメラのみの3D検出(CoCa3D)により,エージェントは通信を通じて相互に補完情報を共有できる。 その結果、CoCa3Dは従来のSOTA性能をDAIR-V2Xで44.21%改善し、OPV2V+で30.60%、AP@70でCoPerception-UAVs+で12.59%向上した。
  論文  参考訳（メタデータ） (2023-03-23T03:50:41Z)
• Boosting Monocular 3D Object Detection with Object-Centric Auxiliary Depth Supervision [13.593246617391266]
  本稿では,RGB画像に基づく3D検出器を,深度推定タスクに類似した深度予測損失で共同でトレーニングすることにより,RGB画像に基づく3D検出器の強化手法を提案する。 新たな物体中心深度予測損失は,3次元物体検出において重要な前景物体周辺の深度に焦点をあてる。 我々の深度回帰モデルは、物体の3次元信頼度を表すために、深度の不確かさを予測するためにさらに訓練される。
  論文  参考訳（メタデータ） (2022-10-29T11:32:28Z)
• CrossDTR: Cross-view and Depth-guided Transformers for 3D Object Detection [10.696619570924778]
  そこで我々は,3次元物体検出のためのクロスビューおよび奥行き誘導変換器を提案する。 歩行者検出では既存のマルチカメラ手法を10%上回り,mAPとNDSの指標では約3%を上回りました。
  論文  参考訳（メタデータ） (2022-09-27T16:23:12Z)
• Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
  コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。 本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
  論文  参考訳（メタデータ） (2021-03-30T21:22:26Z)
• Categorical Depth Distribution Network for Monocular 3D Object Detection [7.0405916639906785]
  モノラル3D検出の重要な課題は、物体の深度を正確に予測することです。 多くの手法は3次元検出を支援するために直接深度を推定しようとするが、深度不正確な結果、限られた性能を示す。 Categorical Depth Distribution Network (CADDN) を提案し、3次元空間の適切な深さ間隔にリッチなコンテキスト特徴情報を投影する。 提案手法をkitti 3d object detection benchmarkで検証し, 単項法のうち1位にランク付けした。
  論文  参考訳（メタデータ） (2021-03-01T16:08:29Z)
• Fast and Furious: Real Time End-to-End 3D Detection, Tracking and Motion Forecasting with a Single Convolutional Net [93.51773847125014]
  本研究では,3Dセンサが捉えたデータを用いて,3D検出,追跡,動作予測を共同で推論する,新たなディープニューラルネットワークを提案する。 鳥の眼球を3次元の世界として表現し,空間と時間にまたがる3次元畳み込みを行う。
  論文  参考訳（メタデータ） (2020-12-22T22:43:35Z)
• 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)
• Guiding Monocular Depth Estimation Using Depth-Attention Volume [38.92495189498365]
  本研究では,特に屋内環境に広く分布する平面構造を優先するための奥行き推定法を提案する。 2つのポピュラーな屋内データセットであるNYU-Depth-v2とScanNetの実験により,本手法が最先端の深度推定結果を実現することを示す。
  論文  参考訳（メタデータ） (2020-04-06T15:45:52Z)
• Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
  カラービデオから多フレーム深度を推定する新しい学習手法を提案する。 本手法は深度推定精度において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2020-04-02T07:10:45Z)
• Towards Reading Beyond Faces for Sparsity-Aware 4D Affect Recognition [55.15661254072032]
  自動4次元表情認識(FER)のための空間認識深層ネットワークを提案する。 まず,深層学習のためのデータ制限問題に対処する新しい拡張手法を提案する。 次に、多視点での畳み込み特徴のスパース表現を計算するために、疎度対応のディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-08T13:09:11Z)

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。