論文の概要: SHIFT3D: Synthesizing Hard Inputs For Tricking 3D Detectors
- arxiv url: http://arxiv.org/abs/2309.05810v1
- Date: Mon, 11 Sep 2023 20:28:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:22:35.688007
- Title: SHIFT3D: Synthesizing Hard Inputs For Tricking 3D Detectors
- Title(参考訳): ShiFT3D:3Dディテクターをトリッキングするハード入力の合成
- Authors: Hongge Chen, Zhao Chen, Gregory P. Meyer, Dennis Park, Carl Vondrick,
Ashish Shrivastava, Yuning Chai
- Abstract要約: 本報告では, 3次元物体検出器に対して, 立体形状を識別可能なパイプラインであるShift3Dについて述べる。
自律運転のような安全クリティカルなアプリケーションでは、そのような新しい挑戦的な物体を発見することは、未知の3D検出器の脆弱性について洞察を与えることができる。
- 参考スコア(独自算出の注目度): 37.80095745939221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present SHIFT3D, a differentiable pipeline for generating 3D shapes that
are structurally plausible yet challenging to 3D object detectors. In
safety-critical applications like autonomous driving, discovering such novel
challenging objects can offer insight into unknown vulnerabilities of 3D
detectors. By representing objects with a signed distanced function (SDF), we
show that gradient error signals allow us to smoothly deform the shape or pose
of a 3D object in order to confuse a downstream 3D detector. Importantly, the
objects generated by SHIFT3D physically differ from the baseline object yet
retain a semantically recognizable shape. Our approach provides interpretable
failure modes for modern 3D object detectors, and can aid in preemptive
discovery of potential safety risks within 3D perception systems before these
risks become critical failures.
- Abstract(参考訳): 本報告では, 3次元物体検出器に対して, 立体形状を識別可能なパイプラインであるShift3Dについて述べる。
自動運転のような安全クリティカルなアプリケーションでは、このような新しい挑戦的な物体の発見は、3d検出器の未知の脆弱性に対する洞察を与える。
物体を符号付き距離関数(sdf)で表現することにより、3次元物体の形状やポーズをスムーズに変形させ、下流の3d検出器を混乱させることができることを示す。
重要なことに、Shift3Dによって生成されたオブジェクトは、ベースラインオブジェクトと物理的に異なるが、意味的に認識可能な形状を保持する。
提案手法は, 現代の3次元物体検出装置に解釈可能な故障モードを提供し, 危険になる前に3次元認識システム内の潜在的な安全性リスクの事前発見を支援する。
関連論文リスト
- PointAD: Comprehending 3D Anomalies from Points and Pixels for Zero-shot 3D Anomaly Detection [13.60524473223155]
本稿では,未知の物体上の3次元異常を認識するために,CLIPの強力な一般化能力を伝達する新しい手法であるPointADを紹介する。
PointADは、複数の2Dレンダリングに3D異常をレンダリングし、それらを3D空間に投影する。
我々のモデルはRGB情報を直接統合することができ、プラグアンドプレイ方式で3D異常の理解をさらに強化することができる。
論文 参考訳(メタデータ) (2024-10-01T01:40:22Z) - VSRD: Instance-Aware Volumetric Silhouette Rendering for Weakly Supervised 3D Object Detection [11.061100776969383]
モノクロ3Dオブジェクト検出は3Dシーン理解において重要な課題となる。
既存の手法は、豊富な3Dラベルを用いた教師あり学習に大きく依存している。
本稿では,VSRDという3次元オブジェクト検出フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-29T20:43:55Z) - FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。
本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。
この手法をFocalFormer3Dとしてインスタンス化する。
論文 参考訳(メタデータ) (2023-08-08T20:06:12Z) - MobileBrick: Building LEGO for 3D Reconstruction on Mobile Devices [78.20154723650333]
高品質な3次元地下構造は3次元物体再構成評価に不可欠である。
本稿では,モバイルデバイスを用いた新しいマルチビューRGBDデータセットを提案する。
我々は,ハイエンド3Dスキャナーを使わずに,精密な3次元地下構造が得られる。
論文 参考訳(メタデータ) (2023-03-03T14:02:50Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳(メタデータ) (2021-12-09T08:50:54Z) - Voxel-based 3D Detection and Reconstruction of Multiple Objects from a
Single Image [22.037472446683765]
入力画像から3次元特徴持ち上げ演算子を用いて3次元シーン空間に整合した3次元ボクセル特徴の正規格子を学習する。
この3Dボクセルの特徴に基づき,新しいCenterNet-3D検出ヘッドは3D空間におけるキーポイント検出として3D検出を定式化する。
我々は、粗度ボキセル化や、新しい局所PCA-SDF形状表現を含む、効率的な粗度から細度の再構成モジュールを考案する。
論文 参考訳(メタデータ) (2021-11-04T18:30:37Z) - LIGA-Stereo: Learning LiDAR Geometry Aware Representations for
Stereo-based 3D Detector [80.7563981951707]
本稿では,LIGA-Stereoによるステレオ3次元検出器の学習について,LiDARに基づく検出モデルの高レベルな幾何認識表現の指導の下で提案する。
現状のステレオ検出器と比較して,車,歩行者,サイクリストの3次元検出性能は,それぞれ10.44%,5.69%,5.97%向上した。
論文 参考訳(メタデータ) (2021-08-18T17:24:40Z) - Monocular Differentiable Rendering for Self-Supervised 3D Object
Detection [21.825158925459732]
単分子画像からの3次元物体検出は、深さとスケールの射影的絡み合いにより不適切な問題である。
テクスチャ化された3次元形状の再構成と剛体物体のポーズ推定のための新しい自己教師手法を提案する。
本手法は,画像中の物体の3次元位置とメッシュを,異なるレンダリングと自己教師対象を用いて予測する。
論文 参考訳(メタデータ) (2020-09-30T09:21:43Z) - DSGN: Deep Stereo Geometry Network for 3D Object Detection [79.16397166985706]
画像ベースとLiDARベースの3Dオブジェクト検出器の間には大きなパフォーマンスギャップがある。
我々の手法であるDeep Stereo Geometry Network (DSGN)は,このギャップを著しく低減する。
初めて、シンプルで効果的な1段ステレオベースの3D検出パイプラインを提供する。
論文 参考訳(メタデータ) (2020-01-10T11:44:37Z)
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。