論文の概要: Multi-Sem Fusion: Multimodal Semantic Fusion for 3D Object Detection
- arxiv url: http://arxiv.org/abs/2212.05265v2
- Date: Sat, 17 Jun 2023 11:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 04:50:44.805331
- Title: Multi-Sem Fusion: Multimodal Semantic Fusion for 3D Object Detection
- Title（参考訳）: マルチセム融合:3次元物体検出のためのマルチモーダルセマンティクス融合
- Authors: Shaoqing Xu, Fang Li, Ziying Song, Jin Fang, Sifen Wang, Zhi-Xin Yang
- Abstract要約: LiDARとカメラ融合技術は、自律運転において3次元物体検出を実現することを約束している。
多くのマルチモーダルな3Dオブジェクト検出フレームワークは、2D画像からのセマンティック知識を3D LiDARポイントクラウドに統合する。
本稿では2次元画像と3次元ポイントシーン解析結果の両方から意味情報を融合する汎用多モード融合フレームワークであるMulti-Sem Fusion(MSF)を提案する。
- 参考スコア（独自算出の注目度）: 11.575945934519442
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR and camera fusion techniques are promising for achieving 3D object
detection in autonomous driving. Most multi-modal 3D object detection
frameworks integrate semantic knowledge from 2D images into 3D LiDAR point
clouds to enhance detection accuracy. Nevertheless, the restricted resolution
of 2D feature maps impedes accurate re-projection and often induces a
pronounced boundary-blurring effect, which is primarily attributed to erroneous
semantic segmentation. To well handle this limitation, we propose a general
multi-modal fusion framework Multi-Sem Fusion (MSF) to fuse the semantic
information from both the 2D image and 3D points scene parsing results.
Specifically, we employ 2D/3D semantic segmentation methods to generate the
parsing results for 2D images and 3D point clouds. The 2D semantic information
is further reprojected into the 3D point clouds with calibration parameters. To
handle the misalignment between the 2D and 3D parsing results, we propose an
Adaptive Attention-based Fusion (AAF) module to fuse them by learning an
adaptive fusion score. Then the point cloud with the fused semantic label is
sent to the following 3D object detectors. Furthermore, we propose a Deep
Feature Fusion (DFF) module to aggregate deep features at different levels to
boost the final detection performance. The effectiveness of the framework has
been verified on two public large-scale 3D object detection benchmarks by
comparing them with different baselines. The experimental results show that the
proposed fusion strategies can significantly improve the detection performance
compared to the methods using only point clouds and the methods using only 2D
semantic information. Most importantly, the proposed approach significantly
outperforms other approaches and sets state-of-the-art results on the nuScenes
testing benchmark.
- Abstract（参考訳）: lidarとカメラ融合技術は、自動運転で3dオブジェクト検出を実現することを約束している。
多くのマルチモーダルな3Dオブジェクト検出フレームワークは、2D画像からのセマンティック知識を3D LiDARポイントクラウドに統合し、検出精度を高める。
しかしながら、2次元特徴写像の制限された分解能は正確な再射影を阻害し、しばしば発音される境界ブラウリング効果を誘発する。
この制限をうまく処理するために,2D画像と3Dポイントのシーン解析結果の両方から意味情報を融合する汎用多モード融合フレームワークであるMulti-Sem Fusion(MSF)を提案する。
具体的には、2次元画像と3次元点雲の解析結果を生成するために、2D/3Dセマンティックセマンティックセマンティクス法を用いる。
2Dセマンティック情報は、キャリブレーションパラメータを持つ3Dポイントクラウドにさらに再投影される。
2Dと3Dのパーシング結果の不一致に対処するため,適応型融合スコアを学習して融合する適応型注意ベースフュージョン (AAF) モジュールを提案する。
次に、融合意味ラベル付きポイントクラウドを、以下の3dオブジェクト検出器に送信する。
さらに,最終検出性能を高めるために,異なるレベルの深部特徴を集約する深部特徴融合(DFF)モジュールを提案する。
フレームワークの有効性を2つの大規模オブジェクト検出ベンチマークで検証し,異なるベースラインと比較した。
実験の結果,提案手法は点群のみを用いた手法や2次元意味情報のみを用いた手法に比べて検出性能が著しく向上することがわかった。
最も重要なことは、提案されたアプローチが他のアプローチを大きく上回り、nuScenesテストベンチマークで最先端の結果を設定することである。
関連論文リスト
- Progressive Multi-Modal Fusion for Robust 3D Object Detection [12.048303829428452]
既存の方法は、バードアイビュー(BEV)とパースペクティブビュー(PV)の両方のモードから特徴を投影することで、単一ビューでセンサフュージョンを実行する。
本稿では,中間クエリレベルとオブジェクトクエリレベルの両方で,BEVとPVの両方の機能を組み合わせたプログレッシブフュージョンフレームワークProFusion3Dを提案する。
我々のアーキテクチャは、局所的およびグローバルな特徴を融合させ、3次元オブジェクト検出の堅牢性を高める。
論文 参考訳（メタデータ） (2024-10-09T22:57:47Z) - Homogeneous Multi-modal Feature Fusion and Interaction for 3D Object
Detection [16.198358858773258]
マルチモーダル3D物体検出は、自律運転において活発な研究課題となっている。
スパース3D点と高密度2Dピクセルの相互特徴融合を探索するのは簡単ではない。
最近のアプローチでは、画像特徴と2次元画像平面に投影される点雲の特徴を融合させるか、スパース点雲と高密度画像画素を組み合わせるかのどちらかである。
論文 参考訳（メタデータ） (2022-10-18T06:15:56Z) - FFPA-Net: Efficient Feature Fusion with Projection Awareness for 3D
Object Detection [19.419030878019974]
構造化されていない3D点雲は2D平面に充填され、3D点雲はプロジェクション対応の畳み込み層を用いて高速に抽出される。
データ前処理において、異なるセンサ信号間の対応するインデックスを予め設定する。
2つの新しいプラグアンドプレイ融合モジュールLiCamFuseとBiLiCamFuseが提案されている。
論文 参考訳（メタデータ） (2022-09-15T16:13:19Z) - MSMDFusion: Fusing LiDAR and Camera at Multiple Scales with Multi-Depth
Seeds for 3D Object Detection [89.26380781863665]
自律運転システムにおける高精度で信頼性の高い3次元物体検出を実現するためには,LiDARとカメラ情報の融合が不可欠である。
近年のアプローチでは、2次元カメラ画像の3次元空間への昇華点によるカメラ特徴のセマンティックな密度の探索が試みられている。
マルチグラニュラリティLiDARとカメラ機能とのマルチスケールなプログレッシブインタラクションに焦点を当てた,新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-07T12:29:29Z) - 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) - DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection [83.18142309597984]
ライダーとカメラは、自動運転における3D検出を補完する情報を提供する重要なセンサーである。
我々はDeepFusionという名前の汎用マルチモーダル3D検出モデル群を開発した。
論文 参考訳（メタデータ） (2022-03-15T18:46:06Z) - VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and
Stereo Data Fusion [62.24001258298076]
VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。
当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
論文 参考訳（メタデータ） (2021-11-29T08:51:20Z) - FusionPainting: Multimodal Fusion with Adaptive Attention for 3D Object
Detection [15.641616738865276]
本稿では,2次元RGB画像と3次元点群をセマンティックレベルで融合させて3次元物体検出タスクを増強する汎用多モード核融合フレームワークFusionPaintingを提案する。
特にFusionPaintingフレームワークは、マルチモーダルセマンティックセグメンテーションモジュール、アダプティブアテンションベースのセマンティックフュージョンモジュール、および3Dオブジェクト検出器の3つの主要モジュールで構成されている。
提案手法の有効性を,大規模なnuScenes検出ベンチマークで検証した。
論文 参考訳（メタデータ） (2021-06-23T14:53:22Z) - PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。
この2つのタスクを同一のメトリック空間で統一するモデルを提案する。
提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-17T05:11:38Z) - Cross-Modality 3D Object Detection [63.29935886648709]
本稿では,3次元物体検出のための新しい2段階多モード融合ネットワークを提案する。
アーキテクチャ全体が2段階の融合を促進する。
KITTIデータセットを用いた実験により,提案したマルチステージ融合により,ネットワークがより良い表現を学習できることが示唆された。
論文 参考訳（メタデータ） (2020-08-16T11:01:20Z)
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。