Fugu-MT 論文翻訳(概要): Point Cloud Registration-Driven Robust Feature Matching for 3D Siamese Object Tracking

論文の概要: Point Cloud Registration-Driven Robust Feature Matching for 3D Siamese Object Tracking

arxiv url: http://arxiv.org/abs/2209.06395v1
Date: Wed, 14 Sep 2022 03:25:04 GMT
ステータス: 処理完了
システム内更新日: 2022-09-15 12:51:40.087236
Title: Point Cloud Registration-Driven Robust Feature Matching for 3D Siamese Object Tracking
Title（参考訳）: 3d siameseオブジェクトトラッキングのためのポイントクラウド登録駆動ロバスト機能マッチング
Authors: Haobo Jiang, Kaihao Lan, Le Hui, Guangyu Li, Jin Xie, and Jian Yang
Abstract要約: テンプレートと検索領域間のロバストな特徴マッチングを学習することは、3Dシームズトラッキングにとって不可欠である。そこで我々は,空間的に対応する点が一貫した特徴表現を実現する傾向にあるという直感をもって,新しいクラウド登録駆動のシームズ追跡フレームワークを提案する。本手法は,追跡専用非局所登録モジュールと登録支援Sinkhornテンプレート機能集約モジュールの2つのモジュールから構成される。
参考スコア（独自算出の注目度）: 24.97192595209272
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning robust feature matching between the template and search area is crucial for 3D Siamese tracking. The core of Siamese feature matching is how to assign high feature similarity on the corresponding points between the template and search area for precise object localization. In this paper, we propose a novel point cloud registration-driven Siamese tracking framework, with the intuition that spatially aligned corresponding points (via 3D registration) tend to achieve consistent feature representations. Specifically, our method consists of two modules, including a tracking-specific nonlocal registration module and a registration-aided Sinkhorn template-feature aggregation module. The registration module targets at the precise spatial alignment between the template and search area. The tracking-specific spatial distance constraint is proposed to refine the cross-attention weights in the nonlocal module for discriminative feature learning. Then, we use the weighted SVD to compute the rigid transformation between the template and search area, and align them to achieve the desired spatially aligned corresponding points. For the feature aggregation model, we formulate the feature matching between the transformed template and search area as an optimal transport problem and utilize the Sinkhorn optimization to search for the outlier-robust matching solution. Also, a registration-aided spatial distance map is built to improve the matching robustness in indistinguishable regions (e.g., smooth surface). Finally, guided by the obtained feature matching map, we aggregate the target information from the template into the search area to construct the target-specific feature, which is then fed into a CenterPoint-like detection head for object localization. Extensive experiments on KITTI, NuScenes and Waymo datasets verify the effectiveness of our proposed method.
Abstract（参考訳）: テンプレートと検索エリア間のロバストな機能マッチングを学習することは、3d siameseトラッキングに不可欠である。 Siamese特徴マッチングのコアは、テンプレートと検索領域の間の対応する点に高い特徴類似性を割り当てて、正確なオブジェクトローカライゼーションを行う方法である。本稿では,空間的対応点(3次元登録による)が一貫した特徴表現を実現する傾向にあるという直感を持つ,新しいクラウド登録駆動のシームズ追跡フレームワークを提案する。具体的には,追跡固有の非局所登録モジュールと,登録支援シンクホーンテンプレート特徴集約モジュールの2つのモジュールからなる。登録モジュールは、テンプレートと検索エリアの正確な空間的アライメントを目標とする。識別的特徴学習のための非局所モジュールにおける空間的距離制限法を提案する。次に,重み付きSVDを用いてテンプレートと探索領域間の剛性変換を計算し,それらを整列させて所望の空間整合対応点を実現する。特徴集約モデルでは,変換されたテンプレートと探索領域間の特徴マッチングを最適輸送問題として定式化し,アウトリエロバストマッチング解の探索にシンクホーン最適化を利用する。また、識別不能領域(例えば、滑らかな表面)の整合性を改善するために、登録支援空間距離マップを構築する。最後に、得られた特徴マッチングマップを誘導して、テンプレートから対象情報を検索領域に集約し、対象固有の特徴を構築し、オブジェクトのローカライゼーションのためのセンターポイントライクな検出ヘッドに供給する。 kitti,nuscenes,waymoデータセットに関する広範な実験により,提案手法の有効性が検証された。

関連論文リスト

CL3D: Unsupervised Domain Adaptation for Cross-LiDAR 3D Detection [16.021932740447966]
クロスLiDAR3D検出のためのドメイン適応は、生データ表現に大きなギャップがあるため困難である。以上の課題を克服する、教師なしのドメイン適応手法を提案する。
論文参考訳（メタデータ） (2022-12-01T03:22:55Z)
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)
OST: Efficient One-stream Network for 3D Single Object Tracking in Point Clouds [6.661881950861012]
本稿では,従来のシームズネットワークで発生した相関操作を回避するために,インスタンスレベルのエンコーディングの強みを活かした新しい一ストリームネットワークを提案する。提案手法は,クラス固有のトラッキングだけでなく,より少ない計算と高い効率でクラスに依存しないトラッキングを実現する。
論文参考訳（メタデータ） (2022-10-16T12:31:59Z)
3D Siamese Transformer Network for Single Object Tracking on Point Clouds [22.48888264770609]
シームズネットワークに基づくトラッカーは、テンプレートの点特徴と検索領域との間の相互相関学習として、3Dオブジェクト追跡を定式化する。テンプレートと検索領域間の堅牢な相互相関を学習するために,Transformer を用いて 3D Siamese Transformer ネットワークを構築した。本手法は,3次元物体追跡タスクにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-07-25T09:08:30Z)
AutoAlign: Pixel-Instance Feature Aggregation for Multi-Modal 3D Object Detection [46.03951171790736]
3Dオブジェクト検出のための自動機能融合戦略であるtextitAutoAlignを提案する。提案手法は,KITTIデータセットとnuScenesデータセットの2.3mAPと7.0mAPの改善につながることを示す。
論文参考訳（メタデータ） (2022-01-17T16:08:57Z)
SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文参考訳（メタデータ） (2022-01-06T08:54:47Z)
Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文参考訳（メタデータ） (2021-11-23T03:07:12Z)
DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文参考訳（メタデータ） (2021-11-15T08:27:21Z)
Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文参考訳（メタデータ） (2021-09-09T14:38:06Z)
Graph Attention Tracking [76.19829750144564]
汎用オブジェクト追跡のための簡易な目標認識型シームズグラフアテンションネットワークを提案する。 GOT-10k、UAV123、TB-100、LaSOTといった挑戦的なベンチマークの実験は、提案されたSiamGATが最先端のトラッカーよりも優れていることを示した。
論文参考訳（メタデータ） (2020-11-23T04:26:45Z)
Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-09-21T08:12:02Z)

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。