Fugu-MT 論文翻訳(概要): Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation

論文の概要: Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation

arxiv url: http://arxiv.org/abs/2205.03654v1
Date: Sat, 7 May 2022 13:42:43 GMT
ステータス: 処理完了
システム内更新日: 2022-05-10 17:10:37.567522
Title: Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation
Title（参考訳）: ディープドメイン適応によるロバストな3次元物体認識に向けて
Authors: Prajval Kumar Murali, Cong Wang, Ravinder Dahiya, Mohsen Kaboli
Abstract要約: 3次元オブジェクト認識は、インテリジェントな自律エージェントにとって不可欠である。最先端のアプローチの多くは比較的密集した点雲に依存しており、スパース点雲では性能低下が著しく大きい。教師なしの領域適応は、密度とスパース点の雲間の差を最小限にすることができる。
参考スコア（独自算出の注目度）: 5.763876449960417
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Three-dimensional (3D) object recognition is crucial for intelligent autonomous agents such as autonomous vehicles and robots alike to operate effectively in unstructured environments. Most state-of-art approaches rely on relatively dense point clouds and performance drops significantly for sparse point clouds. Unsupervised domain adaption allows to minimise the discrepancy between dense and sparse point clouds with minimal unlabelled sparse point clouds, thereby saving additional sparse data collection, annotation and retraining costs. In this work, we propose a novel method for point cloud based object recognition with competitive performance with state-of-art methods on dense and sparse point clouds while being trained only with dense point clouds.
Abstract（参考訳）: 3次元オブジェクト認識は、自律走行車やロボットのようなインテリジェントな自律エージェントが非構造環境で効果的に動作するためには不可欠である。最先端のアプローチの多くは比較的密集した点雲に依存しており、スパース点雲では性能低下が著しく大きい。教師なしのドメイン適応により、密度とスパース点の雲間の差を最小限に抑え、スパース点の雲を最小にすることで、余分なデータ収集、アノテーション、再トレーニングコストを削減できる。本研究では,高濃度の点雲のみを訓練しながら,高濃度の点雲上の最先端の手法と競合する性能を持つ点雲に基づく物体認識手法を提案する。

関連論文リスト

ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud [7.066196862701362]
極端に疎い点群に対する点群エンコーダを強化するための教師なしモデル適応手法を提案する。本稿では,学習可能なトークンとアテンションブロックを追加して,事前学習した自己注意層を拡張する,新しいファセットクロスアテンション層を提案する。また,無関係なテキスト埋め込みから,修正された特徴を引き離すための補完的な学習ベースの自己蒸留スキーマを提案する。
論文参考訳（メタデータ） (2024-04-30T15:42:45Z)
PRED: Pre-training via Semantic Rendering on LiDAR Point Clouds [18.840000859663153]
本稿では,屋外点雲のための画像支援事前学習フレームワークPreDを提案する。我々のフレームワークの主な構成要素は、Birds-Eye-View (BEV) 機能マップ条件付きセマンティックレンダリングである。我々は、高マスキング比のポイントワイドマスクを組み込むことにより、モデルの性能をさらに向上させる。
論文参考訳（メタデータ） (2023-11-08T07:26:09Z)
StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2023-03-28T08:21:44Z)
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)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
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)
Point Cloud Segmentation Using Sparse Temporal Local Attention [30.969737698335944]
そこで本稿では,従来のクラウドフレーム内の局所的特徴を集約した,スパース時間的局所的注意(STELA)モジュールを提案する。 SemanticKittiデータセットで64.3%の競合的なmIoUを実現し、単一フレームベースラインよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2021-12-01T06:00:50Z)
SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文参考訳（メタデータ） (2021-08-01T13:26:01Z)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)
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)
MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。 MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文参考訳（メタデータ） (2020-04-05T18:02:07Z)

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。