論文の概要: PatchContrast: Self-Supervised Pre-training for 3D Object Detection
- arxiv url: http://arxiv.org/abs/2308.06985v1
- Date: Mon, 14 Aug 2023 07:45:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 14:07:00.046608
- Title: PatchContrast: Self-Supervised Pre-training for 3D Object Detection
- Title（参考訳）: PatchContrast: 3Dオブジェクト検出のための自己監督型事前トレーニング
- Authors: Oren Shrout, Ori Nitzan, Yizhak Ben-Shabat, Ayellet Tal
- Abstract要約: PatchContrastは、3Dオブジェクト検出のための新しい自己教師付きポイントクラウド事前学習フレームワークである。
提案手法は,3つの一般的な3次元検出データセットにおいて,既存の最先端モデルよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 14.603858163158625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately detecting objects in the environment is a key challenge for
autonomous vehicles. However, obtaining annotated data for detection is
expensive and time-consuming. We introduce PatchContrast, a novel
self-supervised point cloud pre-training framework for 3D object detection. We
propose to utilize two levels of abstraction to learn discriminative
representation from unlabeled data: proposal-level and patch-level. The
proposal-level aims at localizing objects in relation to their surroundings,
whereas the patch-level adds information about the internal connections between
the object's components, hence distinguishing between different objects based
on their individual components. We demonstrate how these levels can be
integrated into self-supervised pre-training for various backbones to enhance
the downstream 3D detection task. We show that our method outperforms existing
state-of-the-art models on three commonly-used 3D detection datasets.
- Abstract（参考訳）: 環境中の物体を正確に検出することは、自動運転車にとって重要な課題である。
しかし、検出のための注釈付きデータを取得するのは高価で時間を要する。
3dオブジェクト検出のための新しい自己教師付きポイントクラウドプリトレーニングフレームワークpatchcontrastを紹介する。
本稿では,ラベルのないデータから識別表現を学習するために,2段階の抽象化手法を提案する。
プロポーザルレベルはオブジェクトの周囲との関係をローカライズすることを目的としているが、パッチレベルはオブジェクトのコンポーネント間の内部接続に関する情報を追加し、それによって個々のコンポーネントに基づいて異なるオブジェクトを区別する。
これらのレベルを,様々なバックボーンの自己教師付き事前学習に統合して,下流3d検出タスクを強化する方法を示す。
提案手法は3つの一般的な3次元検出データセットにおいて既存の最先端モデルよりも優れていることを示す。
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) - SeSame: Simple, Easy 3D Object Detection with Point-Wise Semantics [0.7373617024876725]
自律運転では、3Dオブジェクト検出は、経路計画や動き推定を含む下流タスクに対してより正確な情報を提供する。
本稿では,既存のLiDARのみに基づく3Dオブジェクト検出における意味情報の強化を目的としたSeSameを提案する。
KITTIオブジェクト検出ベンチマークにおいて,提案手法の有効性を示す実験を行った。
論文 参考訳（メタデータ） (2024-03-11T08:17:56Z) - CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。
我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。
3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
論文 参考訳（メタデータ） (2022-09-13T05:26:09Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - 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) - 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
Weakly-supervised framework for Point cloud Recognitionを紹介する。
We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
論文 参考訳（メタデータ） (2021-05-13T17:58:07Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳（メタデータ） (2020-04-02T17:48:50Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳（メタデータ） (2019-12-26T08:48:04Z)
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。