Fugu-MT 論文翻訳(概要): PALF: Pre-Annotation and Camera-LiDAR Late Fusion for the Easy Annotation of Point Clouds

論文の概要: PALF: Pre-Annotation and Camera-LiDAR Late Fusion for the Easy Annotation of Point Clouds

arxiv url: http://arxiv.org/abs/2304.08591v1
Date: Thu, 13 Apr 2023 01:16:19 GMT
ステータス: 処理完了
システム内更新日: 2023-04-23 04:27:29.428647
Title: PALF: Pre-Annotation and Camera-LiDAR Late Fusion for the Easy Annotation of Point Clouds
Title（参考訳）: PALF: 点雲の簡易アノテーションのためのプレアノテーションとカメラLiDARレイトフュージョン
Authors: Yucheng Zhang, Masaki Fukuda, Yasunori Ishii, Kyoko Ohshima, and Takayoshi Yamashita
Abstract要約: ディープラーニングアルゴリズムは、トレーニングと評価のために大量の注釈付きポイントクラウドデータを必要とする。本稿では,事前アノテーションとカメラ-LiDARレイトフュージョンアルゴリズムであるポイントクラウドデータのアノテーションアルゴリズムを提案する。提案アルゴリズムはアノテーションの速度を6.5倍に改善し,アノテーションの精度を8.2点と5.6点に向上する。
参考スコア（独自算出の注目度）: 5.553713775262414
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: 3D object detection has become indispensable in the field of autonomous driving. To date, gratifying breakthroughs have been recorded in 3D object detection research, attributed to deep learning. However, deep learning algorithms are data-driven and require large amounts of annotated point cloud data for training and evaluation. Unlike 2D image labels, annotating point cloud data is difficult due to the limitations of sparsity, irregularity, and low resolution, which requires more manual work, and the annotation efficiency is much lower than 2D image.Therefore, we propose an annotation algorithm for point cloud data, which is pre-annotation and camera-LiDAR late fusion algorithm to easily and accurately annotate. The contributions of this study are as follows. We propose (1) a pre-annotation algorithm that employs 3D object detection and auto fitting for the easy annotation of point clouds, (2) a camera-LiDAR late fusion algorithm using 2D and 3D results for easily error checking, which helps annotators easily identify missing objects, and (3) a point cloud annotation evaluation pipeline to evaluate our experiments. The experimental results show that the proposed algorithm improves the annotating speed by 6.5 times and the annotation quality in terms of the 3D Intersection over Union and precision by 8.2 points and 5.6 points, respectively; additionally, the miss rate is reduced by 31.9 points.
Abstract（参考訳）: 自動運転の分野では3d物体検出が不可欠となっている。これまで、ディープラーニングによる3dオブジェクト検出研究で、感謝すべきブレークスルーが記録されてきた。しかし、ディープラーニングアルゴリズムはデータ駆動であり、トレーニングと評価には大量のアノテートポイントクラウドデータが必要である。 2次元画像ラベルとは違って,手作業の手間や不規則性,低分解能の限界により,アノテーションの効率が2次元画像よりもはるかに低いため,ポイントクラウドデータのアノテートは困難であり,プリアノテーションとカメラライダAR遅延融合アルゴリズムのアノテーションアルゴリズムを提案して,容易に正確にアノテートする。本研究の貢献は以下の通りである。 1) 点クラウドの簡単なアノテーションのために, 3次元オブジェクト検出と自動フィッティングを用いた事前アノテーションアルゴリズム, (2) 2次元および3次元結果を用いたカメラ・ライダー・レイトフュージョンアルゴリズムにより, エラーチェックが容易であり, アノテータが行方不明物体を容易に識別するのに役立つこと, 3) 実験を評価するためのポイントクラウドアノテーション評価パイプラインを提案する。実験の結果, 提案手法では, 3次元交点を結合点上で6.5倍, アノテーション品質を8.2ポイント, 精度5.6ポイント改善し, また, ミスレートを31.9ポイント削減した。

関連論文リスト

STONE: A Submodular Optimization Framework for Active 3D Object Detection [20.54906045954377]
正確な3Dオブジェクト検出器をトレーニングするための鍵となる要件は、大量のLiDARベースのポイントクラウドデータが利用できることである。本稿では,3次元物体検出装置のトレーニングにおけるラベル付けコストを大幅に削減する,統合されたアクティブな3次元物体検出フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-04T20:45:33Z)
PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文参考訳（メタデータ） (2024-07-19T06:29:57Z)
V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文参考訳（メタデータ） (2023-08-08T17:14:14Z)
Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection [85.08249413137558]
LiDARが生成する点雲は、最先端の3Dオブジェクト検出器の主要な情報源である。小さい、遠く、不完全な点の少ない物体は、しばしば検出するのが困難である。 Sparse2Denseは、潜在空間における点雲の密度化を学習することで、3D検出性能を効率的に向上する新しいフレームワークである。
論文参考訳（メタデータ） (2022-11-23T16:01:06Z)
RCP: Recurrent Closest Point for Scene Flow Estimation on 3D Point Clouds [44.034836961967144]
シーンフローや点雲の登録を含む3次元運動推定が注目されている。最近の手法では、正確な3次元フローを推定するためのコストボリュームを構築するために、ディープニューラルネットワークを使用している。問題を2つのインターレースステージに分解し、第1段階では3次元フローをポイントワイズに最適化し、第2段階ではリカレントネットワークでグローバルに正規化する。
論文参考訳（メタデータ） (2022-05-23T04:04:30Z)
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)
RoIFusion: 3D Object Detection from LiDAR and Vision [7.878027048763662]
本稿では,3次元関心領域(RoI)の集合を点雲から対応する画像の2次元ロIに投影することで,新しい融合アルゴリズムを提案する。提案手法は,KITTI 3Dオブジェクト検出課題ベンチマー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） (2020-09-09T20:23:27Z)
3D Object Detection Method Based on YOLO and K-Means for Image and Point Clouds [1.9458156037869139]
ライダーに基づく3Dオブジェクト検出と分類タスクは、自動運転に不可欠である。本稿では,点雲と画像に基づく3次元物体検出手法を提案する。
論文参考訳（メタデータ） (2020-04-21T04:32:36Z)
Boundary-Aware Dense Feature Indicator for Single-Stage 3D Object Detection from Point Clouds [32.916690488130506]
本稿では,3次元検出器が境界を意識して点雲の最も密集した領域に焦点を合わせるのを支援する普遍モジュールを提案する。 KITTIデータセットの実験により、DENFIはベースライン単段検出器の性能を著しく改善することが示された。
論文参考訳（メタデータ） (2020-04-01T01:21:23Z)
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文参考訳（メタデータ） (2020-03-06T12:51:09Z)
ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes [93.82668222075128]
RGB-Dシーンに対するImVoteNetと呼ばれる3次元検出アーキテクチャを提案する。 ImVoteNetは、画像に2D票、ポイントクラウドに3D票を投じることに基づいている。挑戦的なSUN RGB-Dデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-01-29T05:09:28Z)

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。