論文の概要: End-to-end Unsupervised Learning of Long-Term 3D Stable objects
- arxiv url: http://arxiv.org/abs/2301.03426v1
- Date: Mon, 9 Jan 2023 15:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 18:11:41.242079
- Title: End-to-end Unsupervised Learning of Long-Term 3D Stable objects
- Title（参考訳）: 長期3次元安定物体のエンドツーエンド教師なし学習
- Authors: Ibrahim Hroob, Sergi Molina, Riccardo Polvara, Grzegorz Cielniak and
Marc Hanheide
- Abstract要約: 3Dポイントクラウドセマンティック分類は、マッピングされた環境をよりよく理解できるようにするため、ロボット工学において重要なタスクである。
本研究は,PointNet++に基づくニューラルネットワークを用いて,3次元オブジェクトの長期的安定性を学習することを提案する。
- 参考スコア（独自算出の注目度）: 7.491472577165315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D point cloud semantic classification is an important task in robotics as it
enables a better understanding of the mapped environment. This work proposes to
learn the long-term stability of the 3D objects using a neural network based on
PointNet++, where the long-term stable object refers to a static object that
cannot move on its own (e.g. tree, pole, building). The training data is
generated in an unsupervised manner by assigning a continuous label to
individual points by exploiting multiple time slices of the same environment.
Instead of using discrete labels, i.e. static/dynamic, we propose to use a
continuous label value indicating point temporal stability to train a
regression PointNet++ network. We evaluated our approach on point cloud data of
two parking lots from the NCLT dataset. The experiments' performance reveals
that static vs dynamic object classification is best performed by training a
regression model, followed by thresholding, compared to directly training a
classification model.
- Abstract（参考訳）: 3dポイントクラウドセマンティクス分類は、マッピングされた環境をよりよく理解するため、ロボティクスにおいて重要なタスクである。
この研究は、PointNet++に基づくニューラルネットワークを用いて、3Dオブジェクトの長期的な安定性を学ぶことを提案し、そこでは、長期安定オブジェクトは、自身では動かせない静的オブジェクト(木、ポール、ビルディングなど)を指す。
トレーニングデータは、同一環境の複数のタイムスライスを利用して、連続ラベルを個別のポイントに割り当てることで、教師なしの方法で生成される。
静的/動的な離散ラベルの代わりに、ポイント時間安定性を示す連続ラベル値を用いて回帰PointNet++ネットワークをトレーニングすることを提案する。
NCLTデータセットから2つの駐車場の点雲データについて検討した。
実験の結果,静的オブジェクトと動的オブジェクトの分類は回帰モデルのトレーニングとしきい値の学習が,分類モデルの直接のトレーニングよりも優れていることがわかった。
関連論文リスト
- STCMOT: Spatio-Temporal Cohesion Learning for UAV-Based Multiple Object Tracking [13.269416985959404]
無人航空機(UAV)ビデオにおける複数物体追跡(MOT)は、コンピュータビジョンにおける多様な用途において重要である。
時空間結合型多目的追跡フレームワーク(STCMOT)を提案する。
歴史的埋め込み機能を用いて,ReIDの表現と検出機能を逐次的にモデル化する。
我々のフレームワークはMOTAとIDF1メトリクスで新しい最先端のパフォーマンスを設定します。
論文 参考訳（メタデータ） (2024-09-17T14:34:18Z) - SeMoLi: What Moves Together Belongs Together [51.72754014130369]
動作手がかりに基づく半教師付き物体検出に挑戦する。
近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。
我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文 参考訳（メタデータ） (2024-02-29T18:54:53Z) - Learning a Low-Rank Feature Representation: Achieving Better Trade-Off
between Stability and Plasticity in Continual Learning [20.15493383736196]
連続学習では、ネットワークは一連のタスクでトレーニングされた場合、安定性と可塑性の間のトレードオフに直面します。
そこで我々は, LRFRと呼ばれる新しいトレーニングアルゴリズムを提案し, 安定性を犠牲にすることなく, 可塑性を増強する。
CIFAR-100とTinyImageNetを連続学習のベンチマークデータセットとして使用することにより、提案手法は一貫して最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-12-14T08:34:11Z) - PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。
私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。
大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
論文 参考訳（メタデータ） (2023-12-13T18:59:13Z) - Object Goal Navigation using Data Regularized Q-Learning [9.65323691689801]
Object Goal Navigationでは、ロボットが未確認の環境で対象のオブジェクトクラスのインスタンスを探し、ナビゲートする必要がある。
我々のフレームワークは、時間とともに環境のセマンティックマップを段階的に構築し、その後、長期的目標を何度も選択します。
長期的なゴール選択は、視覚に基づく深層強化学習問題として定式化される。
論文 参考訳（メタデータ） (2022-08-27T13:26:30Z) - 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) - Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文 参考訳（メタデータ） (2022-03-29T07:55:04Z) - Multi-Object Tracking and Segmentation with a Space-Time Memory Network [12.043574473965318]
トラックレットを関連づける新しいメモリベース機構に基づく多目的追跡とセグメンテーションの手法を提案する。
提案するトラッカーであるMeNToSは、特に長期データアソシエーションの問題に対処する。
論文 参考訳（メタデータ） (2021-10-21T17:13:17Z) - 3D-FCT: Simultaneous 3D Object Detection and Tracking Using Feature
Correlation [0.0]
3D-FCTは、時間情報を利用して3Dオブジェクトの検出と追跡の関連タスクを同時に実行するシームズネットワークアーキテクチャである。
提案手法は,最先端手法よりも5.57%mAPの改善が期待できるKITTI追跡データセットを用いて評価した。
論文 参考訳（メタデータ） (2021-10-06T06:36:29Z) - Learning to Track with Object Permanence [61.36492084090744]
共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。
私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
論文 参考訳（メタデータ） (2021-03-26T04:43:04Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z)
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。