論文の概要: Unsupervised Learning of 3D Semantic Keypoints with Mutual Reconstruction

• arxiv url: http://arxiv.org/abs/2203.10212v1
• Date: Sat, 19 Mar 2022 01:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 16:12:40.648133
• Title: Unsupervised Learning of 3D Semantic Keypoints with Mutual Reconstruction
• Title（参考訳）: 相互再構成による3次元意味的キーポイントの教師なし学習
• Authors: Haocheng Yuan, Chen Zhao, Shichao Fan, Jiaxi Jiang and Jiaqi Yang
• Abstract要約: 3Dセマンティックキーポイントは、3Dオブジェクト上のカテゴリレベルのセマンティック一貫性ポイントである。 点群から一貫した意味的キーポイントを明示的に生成するための教師なし手法を提案する。 我々の知る限り,提案手法は相互再構成の観点から初めて3次元意味的一貫したキーポイントを抽出するものである。
• 参考スコア（独自算出の注目度）: 11.164069907549756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic 3D keypoints are category-level semantic consistent points on 3D objects. Detecting 3D semantic keypoints is a foundation for a number of 3D vision tasks but remains challenging, due to the ambiguity of semantic information, especially when the objects are represented by unordered 3D point clouds. Existing unsupervised methods tend to generate category-level keypoints in implicit manners, making it difficult to extract high-level information, such as semantic labels and topology. From a novel mutual reconstruction perspective, we present an unsupervised method to generate consistent semantic keypoints from point clouds explicitly. To achieve this, the proposed model predicts keypoints that not only reconstruct the object itself but also reconstruct other instances in the same category. To the best of our knowledge, the proposed method is the first to mine 3D semantic consistent keypoints from a mutual reconstruction view. Experiments under various evaluation metrics as well as comparisons with the state-of-the-arts demonstrate the efficacy of our new solution to mining semantic consistent keypoints with mutual reconstruction.
• Abstract（参考訳）: セマンティック3Dキーポイントは、3Dオブジェクト上のカテゴリレベルのセマンティック一貫性ポイントである。 3dセマンティックキーポイントの検出は多くの3dビジョンタスクの基礎であるが、意味情報のあいまいさ、特にオブジェクトが無秩序な3dポイントクラウドで表現されている場合、依然として困難である。 既存の教師なしメソッドは暗黙の方法でカテゴリレベルのキーポイントを生成する傾向があり、意味ラベルやトポロジーのようなハイレベルな情報を抽出するのが困難である。 新たな相互再構成の観点から,ポイントクラウドから一貫した意味的キーポイントを明示的に生成するための教師なし手法を提案する。 これを実現するため、提案モデルは、オブジェクト自体を再構築するだけでなく、同じカテゴリの他のインスタンスを再構築するキーポイントを予測する。 我々の知る限り,提案手法は相互再構成の観点から初めて3次元意味的一貫したキーポイントを抽出するものである。 様々な評価指標に基づく実験と最新技術との比較により, 相互復元による意味的一貫性キーポイントのマイニングにおける新しい解の有効性が示された。

関連論文リスト

• Distilling Coarse-to-Fine Semantic Matching Knowledge for Weakly Supervised 3D Visual Grounding [58.924180772480504]
  3Dビジュアルグラウンドリングは、所定の文クエリに対応する3Dシーンでターゲットオブジェクトを見つけることを含む。 弱教師付きアノテーションを利用して3次元視覚的接地モデルを学ぶことを提案する。 オブジェクトの提案と文のセマンティックな類似性を粗大な方法で解析する新しいセマンティックマッチングモデルを設計する。
  論文  参考訳（メタデータ） (2023-07-18T13:49:49Z)
• 3D Keypoint Estimation Using Implicit Representation Learning [46.09594828635109]
  本稿では,新しい暗黙的表現を用いた汎用オブジェクトの3次元キーポイント推定の課題に対処する。 再建作業における先進的な暗黙的表現の成功に触発され,キーポイントを表現するために暗黙的フィールドを使用するというアイデアを探求する。 具体的には、3次元キーポイントを表す球体を用いて、対応する符号付き距離場の学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-20T13:32:01Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• From Keypoints to Object Landmarks via Self-Training Correspondence: A novel approach to Unsupervised Landmark Discovery [37.78933209094847]
  本稿ではオブジェクトランドマーク検出器の教師なし学習のための新しいパラダイムを提案する。 我々はLS3D、BBCPose、Human3.6M、PennActionなどの難解なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-05-31T15:44:29Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Canonical 3D Deformer Maps: Unifying parametric and non-parametric methods for dense weakly-supervised category reconstruction [79.98689027127855]
  独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。 提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。 顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
  論文  参考訳（メタデータ） (2020-08-28T15:44:05Z)
• Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets [71.84892018102465]
  本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。 私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。
  論文  参考訳（メタデータ） (2020-03-17T10:28:02Z)

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。