論文の概要: Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2210.17009v1
- Date: Mon, 31 Oct 2022 01:53:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:56:35.233311
- Title: Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds
- Title(参考訳): point-syn2real:半教師付き合成から現実へのクロスドメイン学習による3次元点雲のオブジェクト分類
- Authors: Ziwei Wang, Reza Arablouei, Jiajun Liu, Paulo Borges, Greg
Bishop-Hurley, Nicholas Heaney
- Abstract要約: LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
- 参考スコア(独自算出の注目度): 14.056949618464394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object classification using LiDAR 3D point cloud data is critical for modern
applications such as autonomous driving. However, labeling point cloud data is
labor-intensive as it requires human annotators to visualize and inspect the 3D
data from different perspectives. In this paper, we propose a semi-supervised
cross-domain learning approach that does not rely on manual annotations of
point clouds and performs similar to fully-supervised approaches. We utilize
available 3D object models to train classifiers that can generalize to
real-world point clouds. We simulate the acquisition of point clouds by
sampling 3D object models from multiple viewpoints and with arbitrary partial
occlusions. We then augment the resulting set of point clouds through random
rotations and adding Gaussian noise to better emulate the real-world scenarios.
We then train point cloud encoding models, e.g., DGCNN, PointNet++, on the
synthesized and augmented datasets and evaluate their cross-domain
classification performance on corresponding real-world datasets. We also
introduce Point-Syn2Real, a new benchmark dataset for cross-domain learning on
point clouds. The results of our extensive experiments with this dataset
demonstrate that the proposed cross-domain learning approach for point clouds
outperforms the related baseline and state-of-the-art approaches in both indoor
and outdoor settings in terms of cross-domain generalizability. The code and
data will be available upon publishing.
- Abstract(参考訳): LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
しかし、ポイントクラウドデータのラベル付けは、人間のアノテータが異なる視点から3Dデータを視覚化して検査する必要があるため、労働集約的である。
本稿では,ポイントクラウドの手動アノテーションに依存しず,完全に教師付きアプローチと類似した実行を行う,半教師付きクロスドメイン学習手法を提案する。
利用可能な3Dオブジェクトモデルを用いて,実世界の点雲に一般化可能な分類器を訓練する。
複数の視点から3次元オブジェクトモデルをサンプリングし、任意の部分閉塞で点雲の取得をシミュレートする。
結果として得られる点群をランダムな回転で増やし、実世界のシナリオをよりよくエミュレートするためにガウスノイズを追加する。
次に,合成および拡張データセット上でdgcnn,pointnet++などのポイントクラウド符号化モデルをトレーニングし,対応する実世界のデータセット上でのクロスドメイン分類性能を評価する。
また、ポイントクラウド上のクロスドメイン学習のための新しいベンチマークデータセットであるpoint-syn2realも紹介する。
このデータセットを用いた広範な実験の結果,提案するポイントクラウドのクロスドメイン学習アプローチが,屋内と屋外の両方における関連するベースラインおよび最先端のアプローチを,クロスドメイン一般化可能性の観点から上回っていることが示された。
コードとデータは公開時に利用可能になる。
関連論文リスト
- InvariantOODG: Learning Invariant Features of Point Clouds for
Out-of-Distribution Generalization [17.96808017359983]
本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。
学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。
実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
論文 参考訳(メタデータ) (2024-01-08T09:41:22Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - U3DS$^3$: Unsupervised 3D Semantic Scene Segmentation [19.706172244951116]
本稿では,U3DS$3$について,総合的な3Dシーンに対して,完全に教師なしのポイントクラウドセグメンテーションに向けたステップとして提示する。
提案手法の最初のステップは,各シーンの幾何学的特徴に基づいてスーパーポイントを生成することである。
次に、空間クラスタリングに基づく手法を用いて学習プロセスを行い、次いで、クラスタセントロイドに応じて生成された擬似ラベルを用いて反復的なトレーニングを行う。
論文 参考訳(メタデータ) (2023-11-10T12:05:35Z) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳(メタデータ) (2023-09-20T09:29:44Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳(メタデータ) (2023-04-18T17:03:20Z) - Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。
我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
論文 参考訳(メタデータ) (2023-03-29T10:08:29Z) - Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud
Analysis [33.31864436614945]
本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。
我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。
これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T05:23:03Z) - CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D
Point Cloud Understanding [2.8661021832561757]
CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。
提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
論文 参考訳(メタデータ) (2022-03-01T18:59:01Z) - Lifting 2D Object Locations to 3D by Discounting LiDAR Outliers across
Objects and Views [70.1586005070678]
本稿では,2次元マスクオブジェクトの予測と生のLiDAR点雲を自動的に3次元境界ボックスに変換するシステムを提案する。
これらの手法は, より複雑なパイプラインや3Dモデル, 付加的な人為的な事前情報ソースを使用するにもかかわらず, 従来よりもはるかに優れていた。
論文 参考訳(メタデータ) (2021-09-16T13:01:13Z) - PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。
アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。
本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
論文 参考訳(メタデータ) (2021-08-16T23:59:43Z)
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。