論文の概要: Implicit and Efficient Point Cloud Completion for 3D Single Object
Tracking
- arxiv url: http://arxiv.org/abs/2209.00522v1
- Date: Thu, 1 Sep 2022 15:11:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 14:03:46.237167
- Title: Implicit and Efficient Point Cloud Completion for 3D Single Object
Tracking
- Title(参考訳): 3次元物体追跡のための重要かつ効率的な点クラウド補完
- Authors: Pan Wang, Liangliang Ren, Shengkai Wu, Jinrong Yang, En Yu, Hangcheng
Yu, Xiaoping Li
- Abstract要約: 適応リファイン予測(ARP)とターゲット知識伝達(TKT)の2つの新しいモジュールを紹介する。
本モデルでは,より少ない計算量を維持しながら,最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 9.372859423951349
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The point cloud based 3D single object tracking (3DSOT) has drawn increasing
attention. Lots of breakthroughs have been made, but we also reveal two severe
issues. By an extensive analysis, we find the prediction manner of current
approaches is non-robust, i.e., exposing a misalignment gap between prediction
score and actually localization accuracy. Another issue is the sparse point
returns will damage the feature matching procedure of the SOT task. Based on
these insights, we introduce two novel modules, i.e., Adaptive Refine
Prediction (ARP) and Target Knowledge Transfer (TKT), to tackle them,
respectively. To this end, we first design a strong pipeline to extract
discriminative features and conduct the matching procedure with the attention
mechanism. Then, ARP module is proposed to tackle the misalignment issue by
aggregating all predicted candidates with valuable clues. Finally, TKT module
is designed to effectively overcome incomplete point cloud due to sparse and
occlusion issues. We call our overall framework PCET. By conducting extensive
experiments on the KITTI and Waymo Open Dataset, our model achieves
state-of-the-art performance while maintaining a lower computational
consumption.
- Abstract(参考訳): ポイントクラウドベースの3Dオブジェクトトラッキング(3DSOT)が注目を集めている。
多くのブレークスルーが行われたが、2つの深刻な問題も明らかにした。
広範な分析により,現在の予測手法はロバストでないこと,すなわち,予測スコアと実際の局所化精度とのずれを露呈することを見出した。
もう一つの問題は、スパースポイントリターンがSOTタスクの特徴マッチング手順を損なうことである。
これらの知見に基づき,適応的洗練予測 (adaptive refine prediction, arp) と目標知識伝達 (target knowledge transfer, tkt) という2つの新しいモジュールを導入する。
そこで我々はまず,識別的特徴を抽出するための強固なパイプラインを設計し,注意機構とマッチングを行う。
次に、予測された全ての候補を貴重な手がかりで集約することで、アライメント問題に対処するためにARPモジュールを提案する。
最後に、TKTモジュールはスパースとオクルージョンの問題により、不完全なポイントクラウドを効果的に克服するように設計されている。
フレームワーク全体をPCETと呼びます。
KITTI と Waymo Open Dataset に関する広範な実験を行うことで,より少ない計算消費を維持しながら最先端の性能を実現する。
関連論文リスト
- FASTC: A Fast Attentional Framework for Semantic Traversability Classification Using Point Cloud [7.711666704468952]
点雲を用いたトラバーサビリティ評価の問題に対処する。
本稿では,垂直に配置された点雲から特徴を捉えるために PointNet を利用した柱状特徴抽出モジュールを提案する。
次に、LIDAR点雲の密度問題に適切に対応できる多フレーム情報を融合する新しい時間的アテンションモジュールを提案する。
論文 参考訳(メタデータ) (2024-06-24T12:01:55Z) - Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。
冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。
実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文 参考訳(メタデータ) (2023-01-23T02:43:03Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳(メタデータ) (2022-11-01T20:59:38Z) - Structure Aware and Class Balanced 3D Object Detection on nuScenes
Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。
このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。
本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文 参考訳(メタデータ) (2022-05-25T06:18:49Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳(メタデータ) (2022-03-22T10:14:08Z) - PTTR: Relational 3D Point Cloud Object Tracking with Transformer [37.06516957454285]
ポイントクラウドシーケンスでは、3Dオブジェクトトラッキングは、テンプレートポイントクラウドが与えられた現在の検索ポイントクラウド内のオブジェクトの位置と向きを予測することを目的としている。
本稿では,高品位な3次元追跡結果を粗い方法で効率的に予測し,変圧器操作の助けを借りて,ポイントトラッキングTRansformer (PTTR)を提案する。
論文 参考訳(メタデータ) (2021-12-06T08:28:05Z) - Occlusion-Robust Object Pose Estimation with Holistic Representation [42.27081423489484]
State-of-the-art(SOTA)オブジェクトのポーズ推定器は2段階のアプローチを取る。
我々は,新しいブロック・アンド・ブラックアウトバッチ拡張技術を開発した。
また,総合的なポーズ表現学習を促進するためのマルチ精度監視アーキテクチャも開発している。
論文 参考訳(メタデータ) (2021-10-22T08:00:26Z) - SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。
まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。
次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
論文 参考訳(メタデータ) (2021-01-07T18:30:32Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳(メタデータ) (2020-12-18T18:06:43Z) - End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。
局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。
エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
論文 参考訳(メタデータ) (2020-12-07T09:14:55Z)
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。