論文の概要: Densely Constrained Depth Estimator for Monocular 3D Object Detection

• arxiv url: http://arxiv.org/abs/2207.10047v1
• Date: Wed, 20 Jul 2022 17:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:54:55.364079
• Title: Densely Constrained Depth Estimator for Monocular 3D Object Detection
• Title（参考訳）: 単眼3次元物体検出のための密拘束深さ推定器
• Authors: Yingyan Li, Yunchao Chen, Jiawei He, and Zhaoxiang Zhang
• Abstract要約: モノクロ画像から物体の正確な3D位置を推定することは、深さが不足しているため難しい問題である。 任意の方向の端から高密度な射影制約を利用する手法を提案する。 提案手法は, KITTI および WOD ベンチマーク上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 43.76537928852328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating accurate 3D locations of objects from monocular images is a challenging problem because of lacking depth. Previous work shows that utilizing the object's keypoint projection constraints to estimate multiple depth candidates boosts the detection performance. However, the existing methods can only utilize vertical edges as projection constraints for depth estimation. So these methods only use a small number of projection constraints and produce insufficient depth candidates, leading to inaccurate depth estimation. In this paper, we propose a method that utilizes dense projection constraints from edges of any direction. In this way, we employ much more projection constraints and produce considerable depth candidates. Besides, we present a graph matching weighting module to merge the depth candidates. The proposed method DCD (Densely Constrained Detector) achieves state-of-the-art performance on the KITTI and WOD benchmarks. Code is released at https://github.com/BraveGroup/DCD.
• Abstract（参考訳）: モノクロ画像から物体の正確な3D位置を推定することは、深さが不足しているため難しい問題である。 これまでの研究では、オブジェクトのキーポイント投影制約を利用して複数の深さ候補を推定することで検出性能が向上した。 しかし,既存の手法では,垂直エッジを投射制約としてのみ深度推定に利用できる。 したがって、これらの手法は少数の射影制約しか使用せず、深さ候補が不十分であり、深さ推定が不正確になる。 本稿では,任意の方向のエッジから高密度な投影制約を利用する手法を提案する。 このように、より多くのプロジェクション制約を採用し、かなりの深さの候補を生成する。 さらに、深度候補をマージするグラフマッチング重み付けモジュールも提示する。 提案手法であるDCD (Densely Constrained Detector) は, KITTI および WOD ベンチマークの最先端性能を実現する。 コードはhttps://github.com/BraveGroup/DCDで公開されている。

関連論文リスト

• MonoCD: Monocular 3D Object Detection with Complementary Depths [9.186673054867866]
  深度推定は単分子3次元物体検出に不可欠だが挑戦的なサブタスクである。 2つの新しい設計で深度の相補性を高めることを提案する。 KITTIベンチマーク実験により, 余分なデータを導入することなく, 最先端の性能を実現することができた。
  論文  参考訳（メタデータ） (2024-04-04T03:30:49Z)
• SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for Dynamic Scenes [58.89295356901823]
  自己監督型単眼深度推定は静的な場面で顕著な結果を示した。 トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。 単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。 我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
  論文  参考訳（メタデータ） (2022-11-07T16:17:47Z)
• P3Depth: Monocular Depth Estimation with a Piecewise Planarity Prior [133.76192155312182]
  本研究では,コプラナー画素からの情報を選択的に活用して予測深度を改善する手法を提案する。 本手法の広範な評価により, 教師付き単分子深度推定法において, 新たな手法の確立が期待できる。
  論文  参考訳（メタデータ） (2022-04-05T10:03:52Z)
• Learning Occlusion-Aware Coarse-to-Fine Depth Map for Self-supervised Monocular Depth Estimation [11.929584800629673]
  自己教師付き単眼深度推定のためのOcclusion-aware Coarse-to-Fine Depth Mapを学習するための新しいネットワークを提案する。 提案したOCFD-Netは,粗度深度マップの学習に離散深度制約を用いるだけでなく,シーン深度残差の学習にも連続深度制約を用いる。
  論文  参考訳（メタデータ） (2022-03-21T12:43:42Z)
• 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)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• Categorical Depth Distribution Network for Monocular 3D Object Detection [7.0405916639906785]
  モノラル3D検出の重要な課題は、物体の深度を正確に予測することです。 多くの手法は3次元検出を支援するために直接深度を推定しようとするが、深度不正確な結果、限られた性能を示す。 Categorical Depth Distribution Network (CADDN) を提案し、3次元空間の適切な深さ間隔にリッチなコンテキスト特徴情報を投影する。 提案手法をkitti 3d object detection benchmarkで検証し, 単項法のうち1位にランク付けした。
  論文  参考訳（メタデータ） (2021-03-01T16:08:29Z)
• Guiding Monocular Depth Estimation Using Depth-Attention Volume [38.92495189498365]
  本研究では,特に屋内環境に広く分布する平面構造を優先するための奥行き推定法を提案する。 2つのポピュラーな屋内データセットであるNYU-Depth-v2とScanNetの実験により,本手法が最先端の深度推定結果を実現することを示す。
  論文  参考訳（メタデータ） (2020-04-06T15:45:52Z)
• Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
  カラービデオから多フレーム深度を推定する新しい学習手法を提案する。 本手法は深度推定精度において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2020-04-02T07:10:45Z)

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。