論文の概要: On the Robustness of 3D Object Detectors

• arxiv url: http://arxiv.org/abs/2207.10205v1
• Date: Wed, 20 Jul 2022 21:47:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 12:33:00.062648
• Title: On the Robustness of 3D Object Detectors
• Title（参考訳）: 3次元物体検出器のロバスト性について
• Authors: Fatima Albreiki, Sultan Abughazal, Jean Lahoud, Rao Anwer, Hisham Cholakkal, and Fahad Khan
• Abstract要約: 3Dシーンには様々なバリエーションがあり、センサーの不正確さや前処理時の情報損失の傾向があります。 この研究は、一般的なポイントベースの3Dオブジェクト検出器をいくつかのデータ破損に対して分析し、ベンチマークすることを目的としている。
• 参考スコア（独自算出の注目度）: 9.467525852900007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, significant progress has been achieved for 3D object detection on point clouds thanks to the advances in 3D data collection and deep learning techniques. Nevertheless, 3D scenes exhibit a lot of variations and are prone to sensor inaccuracies as well as information loss during pre-processing. Thus, it is crucial to design techniques that are robust against these variations. This requires a detailed analysis and understanding of the effect of such variations. This work aims to analyze and benchmark popular point-based 3D object detectors against several data corruptions. To the best of our knowledge, we are the first to investigate the robustness of point-based 3D object detectors. To this end, we design and evaluate corruptions that involve data addition, reduction, and alteration. We further study the robustness of different modules against local and global variations. Our experimental results reveal several intriguing findings. For instance, we show that methods that integrate Transformers at a patch or object level lead to increased robustness, compared to using Transformers at the point level.
• Abstract（参考訳）: 近年,3次元データ収集技術や深層学習技術の進歩により,点雲上での3次元オブジェクト検出に大きな進歩が達成されている。 それでも、3Dシーンには多くのバリエーションがあり、センサーの不正確さや前処理時の情報損失の傾向があります。 したがって、これらのバリエーションに対して堅牢な手法を設計することが重要である。 これには、そのようなバリエーションの効果に関する詳細な分析と理解が必要である。 この研究は、一般的なポイントベースの3Dオブジェクト検出器をいくつかのデータ破損に対して分析し、ベンチマークすることを目的としている。 我々の知る限りでは、我々はポイントベースの3Dオブジェクト検出器の頑健さを初めて調査する。 この目的のために、データの追加、削減、変更を伴う腐敗を設計、評価します。 さらに,局所的および大域的な変動に対する異なるモジュールのロバスト性についても検討する。 実験の結果,いくつかの興味深い結果が得られた。 例えば、パッチやオブジェクトレベルでTransformerを統合するメソッドは、ポイントレベルでTransformerを使用する場合と比較して、ロバスト性が向上することを示す。

関連論文リスト

• SSD-MonoDETR: Supervised Scale-aware Deformable Transformer for Monocular 3D Object Detection [28.575174815764566]
  本稿では,モノクロ3次元物体検出のための"Supervised Scale-aware Deformable Attention"(SSDA)を提案する。 スケール認識を取り入れたSSDAは、オブジェクトクエリの正確な受容領域を予測できる。 SSDAは検出精度を大幅に改善する。
  論文  参考訳（メタデータ） (2023-05-12T06:17:57Z)
• Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
  我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。 また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。 DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
  論文  参考訳（メタデータ） (2022-05-23T23:05:07Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• 3D Object Detection for Autonomous Driving: A Survey [14.772968858398043]
  3次元物体検出は、そのような知覚システムの中核となる基礎となる。 既存の努力にもかかわらず、ポイントクラウド上の3Dオブジェクト検出はまだ初期段階にある。 近年, プロスとコンスを用いた最先端検出法が提案されている。
  論文  参考訳（メタデータ） (2021-06-21T03:17:20Z)
• Geometry-aware data augmentation for monocular 3D object detection [18.67567745336633]
  本稿では,自動運転システムにおける必須モジュールの一つであるモノキュラー3次元物体検出について述べる。 重要な課題は、深さ回復問題は単眼データに不備があることです。 我々は,既存の手法が,異なる幾何学的シフトが発生した場合の深さをロバストに推定できないことを明らかにするために,詳細な解析を行う。 上記の操作を,対応する4つの3D対応データ拡張手法に変換する。
  論文  参考訳（メタデータ） (2021-04-12T23:12:48Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• 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)

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。