Fugu-MT 論文翻訳(概要): OccAM's Laser: Occlusion-based Attribution Maps for 3D Object Detectors on LiDAR Data

論文の概要: OccAM's Laser: Occlusion-based Attribution Maps for 3D Object Detectors on LiDAR Data

arxiv url: http://arxiv.org/abs/2204.06577v1
Date: Wed, 13 Apr 2022 18:00:30 GMT
ステータス: 処理完了
システム内更新日: 2022-04-16 07:38:49.886826
Title: OccAM's Laser: Occlusion-based Attribution Maps for 3D Object Detectors on LiDAR Data
Title（参考訳）: OccAMレーザー:LiDARデータを用いた3次元物体検出のためのOcclusion-based Attribution Maps
Authors: David Schinagl, Georg Krispel, Horst Possegger, Peter M. Roth, Horst Bischof
Abstract要約: 本稿では,LiDAR点雲における3次元物体検出のための属性マップを生成する手法を提案する。これらのマップは、特定のオブジェクトを予測する上で、各3Dポイントの重要性を示している。本稿では,属性マップの詳細な評価を行い,それらが解釈可能かつ高情報であることを示す。
参考スコア（独自算出の注目度）: 8.486063950768694
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While 3D object detection in LiDAR point clouds is well-established in academia and industry, the explainability of these models is a largely unexplored field. In this paper, we propose a method to generate attribution maps for the detected objects in order to better understand the behavior of such models. These maps indicate the importance of each 3D point in predicting the specific objects. Our method works with black-box models: We do not require any prior knowledge of the architecture nor access to the model's internals, like parameters, activations or gradients. Our efficient perturbation-based approach empirically estimates the importance of each point by testing the model with randomly generated subsets of the input point cloud. Our sub-sampling strategy takes into account the special characteristics of LiDAR data, such as the depth-dependent point density. We show a detailed evaluation of the attribution maps and demonstrate that they are interpretable and highly informative. Furthermore, we compare the attribution maps of recent 3D object detection architectures to provide insights into their decision-making processes.
Abstract（参考訳）: LiDAR点雲における3次元物体検出は学術や産業において十分に確立されているが、これらのモデルの説明可能性はほとんど探索されていない分野である。本稿では,これらのモデルの挙動をよりよく理解するために,検出対象に対する帰属マップを生成する手法を提案する。これらのマップは、特定のオブジェクトを予測する上で、各3Dポイントの重要性を示している。アーキテクチャに関する事前の知識も、パラメータやアクティベーション、勾配といったモデルの内部へのアクセスも必要ありません。我々の効率的な摂動に基づくアプローチは、入力点クラウドのランダムに生成されたサブセットを用いてモデルをテストすることにより、各点の重要性を実証的に推定する。我々のサブサンプリング戦略は、深さ依存点密度などのLiDARデータの特別な特性を考慮に入れている。本稿では,属性マップの詳細な評価を行い,それらが解釈可能かつ高情報であることを示す。さらに,最近の3次元オブジェクト検出アーキテクチャの帰属マップを比較し,意思決定プロセスに関する洞察を提供する。

関連論文リスト

Open-Set 3D object detection in LiDAR data as an Out-of-Distribution problem [6.131026007721572]
LiDARデータからの3Dオブジェクト検出は,制御環境下での産業対応性能を実現している。我々は,LiDARデータにおけるオープンセット3Dオブジェクト検出問題を,外部分布(OOD)問題として再定義し,外乱オブジェクトを検出する。
論文参考訳（メタデータ） (2024-10-31T09:29:55Z)
FFAM: Feature Factorization Activation Map for Explanation of 3D Detectors [9.143384495617722]
3次元検出器の高精細な視覚的説明を生成するための特徴因子化活性化マップ (FFAM) を提案する。オブジェクト固有の視覚的説明を実現するために,対象物体の特徴勾配を用いてグローバルな視覚的説明を洗練する。複数のデータセット上の複数の検出器でFFAMを質的かつ定量的に分析する。
論文参考訳（メタデータ） (2024-05-21T08:55:10Z)
VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
論文参考訳（メタデータ） (2024-04-15T03:12:12Z)
PillarNeXt: Rethinking Network Designs for 3D Object Detection in LiDAR Point Clouds [29.15589024703907]
本稿では,計算資源の割り当ての観点から,局所的な点集合体を再考する。最も単純な柱ベースのモデルは、精度とレイテンシの両方を考慮して驚くほどよく機能することがわかった。本研究は,3次元物体検出の高性能化のために,詳細な幾何学的モデリングが不可欠である,という一般的な直観に挑戦する。
論文参考訳（メタデータ） (2023-05-08T17:59:14Z)
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)
Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-10-13T17:59:38Z)
Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
論文参考訳（メタデータ） (2021-07-29T16:30:33Z)
Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images with Virtual Depth [64.29043589521308]
仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
論文参考訳（メタデータ） (2021-07-28T11:00:47Z)
SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
論文参考訳（メタデータ） (2021-03-29T07:45:09Z)
DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文参考訳（メタデータ） (2020-04-02T17:48:50Z)

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。