論文の概要: Sequential Point Clouds: A Survey

• arxiv url: http://arxiv.org/abs/2204.09337v1
• Date: Wed, 20 Apr 2022 09:14:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:46:21.579486
• Title: Sequential Point Clouds: A Survey
• Title（参考訳）: 逐次的点雲:調査
• Authors: Haiyan Wang, Yingli Tian
• Abstract要約: 本稿では,シーケンシャルポイントクラウド研究のための深層学習に基づく手法について概説する。 これには、動的フロー推定、オブジェクトの検出とトラッキング、ポイントクラウドセグメンテーション、ポイントクラウド予測が含まれる。
• 参考スコア（独自算出の注目度）: 33.20866441256135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud has drawn more and more research attention as well as real-world applications. However, many of these applications (e.g. autonomous driving and robotic manipulation) are actually based on sequential point clouds (i.e. four dimensions) because the information of the static point cloud data could provide is still limited. Recently, researchers put more and more effort into sequential point clouds. This paper presents an extensive review of the deep learning-based methods for sequential point cloud research including dynamic flow estimation, object detection \& tracking, point cloud segmentation, and point cloud forecasting. This paper further summarizes and compares the quantitative results of the reviewed methods over the public benchmark datasets. Finally, this paper is concluded by discussing the challenges in the current sequential point cloud research and pointing out insightful potential future research directions.
• Abstract（参考訳）: point cloudは、現実世界のアプリケーションと同様に、ますます研究の注目を集めている。 しかし、これらのアプリケーション(例えば、自律運転やロボット操作)の多くは、静的ポイントクラウドデータが提供できる情報はまだ限られているため、実際にはシーケンシャルポイントクラウド(すなわち4次元)に基づいている。 最近、研究者はシーケンシャル・ポイント・クラウドにより多くの努力を払っている。 本稿では,ダイナミックフロー推定,オブジェクト検出_&トラッキング,ポイントクラウドセグメンテーション,ポイントクラウド予測など,逐次的ポイントクラウド研究のためのディープラーニングベースの手法の広範なレビューを行う。 本稿では,提案手法の定量的評価結果を,公開ベンチマークデータセット上でさらに要約し,比較する。 最後に,現在の逐次クラウド研究における課題について議論し,今後の研究方向性について考察する。

関連論文リスト

• Deep Learning for 3D Point Cloud Enhancement: A Survey [7.482216242644069]
  本稿では,深層学習に基づくポイントクラウド強化手法に関する総合的な調査を行う。 ポイントクラウドの強化、すなわちクリーンなデータを達成するためのデノイング、見えないデータを復元するための完了、高密度なデータを得るためのアップサンプリングの3つの主要な視点をカバーしている。 本調査では,最近の最先端手法の新しい分類法と,標準ベンチマークの体系的実験結果について述べる。
  論文  参考訳（メタデータ） (2024-10-30T15:07:06Z)
• Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook [12.014972829130764]
  本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
  論文  参考訳（メタデータ） (2023-11-05T09:28:43Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey [25.51613543480276]
  近年,自己管理型ポイントクラウド表現学習が注目されている。 本稿では,DNNを用いた自己教師型ポイントクラウド表現学習に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-08T13:20:55Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Comprehensive Review of Deep Learning-Based 3D Point Cloud Completion Processing and Analysis [14.203228394483117]
  本研究の目的は、ポイントベース、畳み込みベース、グラフベース、生成モデルベースアプローチなど、様々な手法に関する包括的な調査を行うことである。 このレビューでは、よく使われるデータセットをまとめ、ポイントクラウド補完の応用について説明する。
  論文  参考訳（メタデータ） (2022-03-07T11:47:14Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
  本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。 3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。 また、いくつかの公開データセットで比較結果を提示する。
  論文  参考訳（メタデータ） (2019-12-27T09:15:54Z)

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。