論文の概要: SC3K: Self-supervised and Coherent 3D Keypoints Estimation from Rotated, Noisy, and Decimated Point Cloud Data

• arxiv url: http://arxiv.org/abs/2308.05410v1
• Date: Thu, 10 Aug 2023 08:10:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 13:18:43.606508
• Title: SC3K: Self-supervised and Coherent 3D Keypoints Estimation from Rotated, Noisy, and Decimated Point Cloud Data
• Title（参考訳）: sc3k: 回転、ノイズ、デシメテッドポイントクラウドデータからの自己教師付きかつコヒーレントな3dキーポイント推定
• Authors: Mohammad Zohaib and Alessio Del Bue
• Abstract要約: そこで本研究では,任意のオブジェクトカテゴリからキーポイントを推定する手法を提案する。 我々は,キーポイント推定のための自己指導型トレーニング戦略を提案することで,これらのデシダータを実現する。 提案手法によって推定されるキーポイントと最先端の教師なしアプローチのキーポイントを比較した。
• 参考スコア（独自算出の注目度）: 17.471342278936365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a new method to infer keypoints from arbitrary object categories in practical scenarios where point cloud data (PCD) are noisy, down-sampled and arbitrarily rotated. Our proposed model adheres to the following principles: i) keypoints inference is fully unsupervised (no annotation given), ii) keypoints position error should be low and resilient to PCD perturbations (robustness), iii) keypoints should not change their indexes for the intra-class objects (semantic coherence), iv) keypoints should be close to or proximal to PCD surface (compactness). We achieve these desiderata by proposing a new self-supervised training strategy for keypoints estimation that does not assume any a priori knowledge of the object class, and a model architecture with coupled auxiliary losses that promotes the desired keypoints properties. We compare the keypoints estimated by the proposed approach with those of the state-of-the-art unsupervised approaches. The experiments show that our approach outperforms by estimating keypoints with improved coverage (+9.41%) while being semantically consistent (+4.66%) that best characterizes the object's 3D shape for downstream tasks. Code and data are available at: https://github.com/IITPAVIS/SC3K
• Abstract（参考訳）: 本稿では,pcd(point cloud data)がノイズ,ダウンサンプリング,任意に回転する実用的なシナリオにおいて,任意の対象カテゴリからキーポイントを推定する新しい手法を提案する。 提案したモデルは以下の原則に従う。 一 キーポイント推論が完全に監督されていないこと(注記なし) 二 キーポイント位置誤差は、PCDの摂動(損耗)に対して低く弾力性を有するべきである。 三 キーポイントは、クラス内オブジェクト(セマンティクスコヒーレンス)のインデックスを変更してはならない。 四 キーポイントは、pcd面(実用性)に近く、又は近近である。 我々は、オブジェクトクラスの事前知識を前提としないキーポイント推定のための新しい自己教師型トレーニング戦略と、所望のキーポイント特性を促進する補助的損失を伴うモデルアーキテクチャを提案する。 提案手法によって推定されるキーポイントと,最新の教師なしアプローチのキーポイントを比較した。 実験の結果,対象物の3d形状を最もよく特徴付ける意味的一貫性(+4.66%)を保ちながら,カバレッジ(+9.41%)向上したキーポイントを推定することで,提案手法が優れていることが示された。 コードとデータは https://github.com/IITPAVIS/SC3K

関連論文リスト

• Visibility-Aware Keypoint Localization for 6DoF Object Pose Estimation [56.07676459156789]
  2次元画像における3Dキーポイントの局所化は、6DoFオブジェクトのポーズ推定のための3D-2D対応を確立する効果的な方法である。 本稿では、重要なキーポイントを可視性の観点からローカライズすることでこの問題に対処する。 我々は、可視性を考慮した重要度と最先端のポーズ推定アルゴリズムを統合することにより、VAPO(Visibility-Aware POse estimator)を構築する。
  論文  参考訳（メタデータ） (2024-03-21T16:59:45Z)
• Meta-Point Learning and Refining for Category-Agnostic Pose Estimation [46.98479393474727]
  Category-Agnostic pose Estimation (CAPE) は、キーポイントを付加したいくつかのサポートイメージが与えられた場合、任意のクラスのキーポイントを予測することを目的としている。 このような潜在的なキーポイント(メタポイント)に基づくCAPEのための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） (2024-03-20T14:54:33Z)
• Learning Better Keypoints for Multi-Object 6DoF Pose Estimation [1.0878040851638]
  グラフネットワークをトレーニングして、同様に分散された投票で分散されたキーポイントのセットを選択する。 これらの投票は、キーポイントの位置の証拠を蓄積するために回帰ネットワークによって学習され、より正確に回帰することができる。 実験では、KeyGNetが選択したキーポイントが、テストされた7つのデータセットのすべての評価指標の精度を改善した。
  論文  参考訳（メタデータ） (2023-08-15T15:11:13Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• 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)
• UKPGAN: A General Self-Supervised Keypoint Detector [43.35270822722044]
  UKPGANは一般的な3Dキーポイント検出器である。 私たちのキーポイントは、注釈付きキーポイントラベルとよく一致します。 我々のモデルは、剛性と非剛性変換の両方の下で安定である。
  論文  参考訳（メタデータ） (2020-11-24T09:08:21Z)
• Keypoint Autoencoders: Learning Interest Points of Semantics [4.551313396927381]
  キーポイント検出のための教師なし学習手法であるキーポイントオートエンコーダを提案する。 キーポイントから元のポイントクラウドへの再構成を強制することで、疎いセマンティックキーポイントの選択を奨励する。 選択したキーポイントの特異性を示すために、スパースキーポイントで形状を分類する下流タスクを行う。
  論文  参考訳（メタデータ） (2020-08-11T03:43:18Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。