論文の概要: ImpDet: Exploring Implicit Fields for 3D Object Detection

• arxiv url: http://arxiv.org/abs/2203.17240v1
• Date: Thu, 31 Mar 2022 17:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 17:48:10.674254
• Title: ImpDet: Exploring Implicit Fields for 3D Object Detection
• Title（参考訳）: ImpDet: 3Dオブジェクト検出のためのインシシトフィールドの探索
• Authors: Xuelin Qian and Li Wang and Yi Zhu and Li Zhang and Yanwei Fu and Xiangyang Xue
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.63774221984725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional 3D object detection approaches concentrate on bounding boxes representation learning with several parameters, i.e., localization, dimension, and orientation. Despite its popularity and universality, such a straightforward paradigm is sensitive to slight numerical deviations, especially in localization. By exploiting the property that point clouds are naturally captured on the surface of objects along with accurate location and intensity information, we introduce a new perspective that views bounding box regression as an implicit function. This leads to our proposed framework, termed Implicit Detection or ImpDet, which leverages implicit field learning for 3D object detection. Our ImpDet assigns specific values to points in different local 3D spaces, thereby high-quality boundaries can be generated by classifying points inside or outside the boundary. To solve the problem of sparsity on the object surface, we further present a simple yet efficient virtual sampling strategy to not only fill the empty region, but also learn rich semantic features to help refine the boundaries. Extensive experimental results on KITTI and Waymo benchmarks demonstrate the effectiveness and robustness of unifying implicit fields into object detection.
• Abstract（参考訳）: 従来の3Dオブジェクト検出手法は、いくつかのパラメータ、すなわち局所化、次元、配向を持つ境界ボックス表現学習に集中する。 その人気と普遍性にもかかわらず、そのような単純なパラダイムは微妙な数値偏差、特に局所化に敏感である。 対象物表面に点雲が自然に捕捉される性質と正確な位置や強度情報を活用することで,境界ボックス回帰を暗黙の関数として見る新たな視点を導入する。 これにより、3Dオブジェクト検出に暗黙的なフィールド学習を活用するImplicit Detection(ImpDet)と呼ばれるフレームワークが提案される。 indetは、異なる局所3d空間内の点に特定の値を割り当てるので、境界内外の点を分類することで高品質な境界を生成することができる。 さらに, 物体表面の疎度問題を解決するために, 空き領域を埋めるだけでなく, 境界を洗練させるために, リッチなセマンティックな特徴を学習するための, シンプルかつ効率的な仮想サンプリング戦略を提案する。 KITTIとWaymoベンチマークの大規模な実験結果は、暗黙のフィールドをオブジェクト検出に統合するの有効性と堅牢性を示している。

関連論文リスト

• Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
  我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。 本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。 我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
  論文  参考訳（メタデータ） (2024-03-20T12:51:30Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• 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)
• Oriented Bounding Boxes for Small and Freely Rotated Objects [7.6997148655751895]
  任意のサイズの自由回転物体を処理する新しい物体検出方法を提示する。 この方法は、グリッドセル位置におけるターゲットオブジェクトの特徴の正確な位置と向きを符号化する。 xView と DOTA データセットの評価から,提案手法は既存の最先端手法よりも一様に性能を向上することが示された。
  論文  参考訳（メタデータ） (2021-04-24T02:04:49Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
  3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。 本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。 我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-06-08T05:15:06Z)
• Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing of Hotspots [37.16690737208046]
  オブジェクトレベルのアンカーを用いた既存のメソッドとは逆のアプローチを論じる。 構成モデルに着想を得て、内部の空でないボクセルの組成として、ホットスポットと呼ばれる物体を提案する。 提案手法は,OHSに基づく新しい地中真理割当て戦略を用いたアンカーフリー検出ヘッドを提案する。
  論文  参考訳（メタデータ） (2019-12-30T03:02:22Z)

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。