論文の概要: Accurate Instance-Level CAD Model Retrieval in a Large-Scale Database
- arxiv url: http://arxiv.org/abs/2207.01339v1
- Date: Mon, 4 Jul 2022 11:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 23:10:01.557664
- Title: Accurate Instance-Level CAD Model Retrieval in a Large-Scale Database
- Title（参考訳）: 大規模データベースにおける高精度CADモデル検索
- Authors: Jiaxin Wei, Lan Hu, Chenyu Wang, Laurent Kneip
- Abstract要約: 本稿では,大規模データベースからクリーンCADモデルのきめ細かい検索方法を提案する。
大規模データベースの場合、より正確なモデルがディスクリプタの近傍で見つかる可能性があると論じる。
- 参考スコア（独自算出の注目度）: 29.606164742587442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a new solution to the fine-grained retrieval of clean CAD models
from a large-scale database in order to recover detailed object shape
geometries for RGBD scans. Unlike previous work simply indexing into a
moderately small database using an object shape descriptor and accepting the
top retrieval result, we argue that in the case of a large-scale database a
more accurate model may be found within a neighborhood of the descriptor. More
importantly, we propose that the distinctiveness deficiency of shape
descriptors at the instance level can be compensated by a geometry-based
re-ranking of its neighborhood. Our approach first leverages the discriminative
power of learned representations to distinguish between different categories of
models and then uses a novel robust point set distance metric to re-rank the
CAD neighborhood, enabling fine-grained retrieval in a large shape database.
Evaluation on a real-world dataset shows that our geometry-based re-ranking is
a conceptually simple but highly effective method that can lead to a
significant improvement in retrieval accuracy compared to the state-of-the-art.
- Abstract（参考訳）: 本稿では,RGBDスキャンの詳細な形状形状を復元するために,大規模データベースからクリーンCADモデルのきめ細かい検索方法を提案する。
オブジェクト形状記述子を用いて中程度に小さなデータベースにインデックス化してトップ検索結果を受け入れる従来の作業とは異なり、大規模データベースの場合、より正確なモデルが記述子の近傍で見つかる可能性があると論じる。
より重要なことは, 形状記述子のインスタンスレベルでの特異性の欠如は, その近傍の幾何学的再分類によって補うことができるということである。
提案手法はまず,学習表現の識別力を活用して,モデルの異なるカテゴリを識別し,新しいロバストな点集合距離測定値を用いてCAD近傍を再現し,大きな形状データベースにおけるきめ細かい検索を可能にする。
実世界のデータセットによる評価は、我々の幾何に基づく再ランク付けは概念的には単純だが非常に効果的な方法であり、最先端技術と比較して精度が大幅に向上することを示している。
関連論文リスト
- KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。
オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
論文 参考訳（メタデータ） (2024-03-15T08:44:56Z) - FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。
我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
論文 参考訳（メタデータ） (2023-12-13T18:28:09Z) - Learning to Complete Object Shapes for Object-level Mapping in Dynamic
Scenes [30.500198859451434]
本研究では,動的シーンにおけるオブジェクトの分割,追跡,再構築を同時に行うオブジェクトレベルのマッピングシステムを提案する。
さらに、深度入力とカテゴリレベルの前の形状からの再構成を条件にすることで、完全なジオメトリを予測し、完成させることができる。
実世界の合成シーケンスと実世界のシーケンスの両方で定量的に定性的にテストすることで,その有効性を評価する。
論文 参考訳（メタデータ） (2022-08-09T22:56:33Z) - Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。
形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
論文 参考訳（メタデータ） (2022-08-01T17:45:36Z) - Leveraging Geometry for Shape Estimation from a Single RGB Image [25.003116148843525]
RGB画像からレンダリングCADモデルへのキーポイントのマッチングにより,より正確なオブジェクトポーズ予測が可能となることを示す。
また、キーポイントマッチングは、オブジェクトのポーズを推定するだけでなく、オブジェクト自体の形状を変更するためにも使用できることを示す。
提案された幾何学的形状予測により、最先端のAPメッシュは、見えない物体では33.2から37.8、見えない物体では8.2から17.1に改善される。
論文 参考訳（メタデータ） (2021-11-10T10:17:56Z) - Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。
再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。
本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
論文 参考訳（メタデータ） (2021-03-30T17:57:01Z) - From Points to Multi-Object 3D Reconstruction [71.17445805257196]
単一のRGB画像から複数の3Dオブジェクトを検出し再構成する方法を提案する。
キーポイント検出器は、オブジェクトを中心点としてローカライズし、9-DoF境界ボックスや3D形状を含む全てのオブジェクト特性を直接予測する。
提示されたアプローチは、軽量な再構築を単一ステージで実行し、リアルタイム能力を持ち、完全に微分可能で、エンドツーエンドのトレーナーブルである。
論文 参考訳（メタデータ） (2020-12-21T18:52:21Z) - Shape Prior Deformation for Categorical 6D Object Pose and Size
Estimation [62.618227434286]
RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。
本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
論文 参考訳（メタデータ） (2020-07-16T16:45:05Z) - Few-Shot Single-View 3-D Object Reconstruction with Compositional Priors [30.262308825799167]
複雑なエンコーダ・デコーダアーキテクチャは、標準ベンチマークにおいて、最寄りのベースラインと同様に動作することを示す。
本稿では,3次元再構成モデルに事前クラスを効率的に統合する3つの手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T04:53:34Z) - Curved Buildings Reconstruction from Airborne LiDAR Data by Matching and
Deforming Geometric Primitives [13.777047260469677]
幾何学的プリミティブの組立と変形による湾曲した建物再建のための新しい枠組みを提案する。
このフレームワークは、様々な都市で様々なLiDARによって収集されたいくつかの高い湾曲した建物で検証されている。
論文 参考訳（メタデータ） (2020-03-22T16:05:10Z)
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。