Fugu-MT 論文翻訳(概要): Research on self-cross transformer model of point cloud change detecter

論文の概要: Research on self-cross transformer model of point cloud change detecter

arxiv url: http://arxiv.org/abs/2309.07444v1
Date: Thu, 14 Sep 2023 05:54:54 GMT
ステータス: 処理完了
システム内更新日: 2023-09-15 16:09:44.134489
Title: Research on self-cross transformer model of point cloud change detecter
Title（参考訳）: 点雲変化検出器の自己交叉変圧器モデルに関する研究
Authors: Xiaoxu Ren, Haili Sun, Zhenxin Zhang
Abstract要約: 3次元点雲における変化検出の研究において、研究者は3次元点雲に関する様々な研究手法を公表した。深層学習はリモートセンシング手法で用いられるが、3次元点雲の変化検出では2次元パッチに変換される。本稿では,3次元点雲変化検出のためのネットワークを構築し,新しいモジュールCross Transformerを提案する。
参考スコア（独自算出の注目度）: 2.3838507844983248
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the vigorous development of the urban construction industry, engineering deformation or changes often occur during the construction process. To combat this phenomenon, it is necessary to detect changes in order to detect construction loopholes in time, ensure the integrity of the project and reduce labor costs. Or the inconvenience and injuriousness of the road. In the study of change detection in 3D point clouds, researchers have published various research methods on 3D point clouds. Directly based on but mostly based ontraditional threshold distance methods (C2C, M3C2, M3C2-EP), and some are to convert 3D point clouds into DSM, which loses a lot of original information. Although deep learning is used in remote sensing methods, in terms of change detection of 3D point clouds, it is more converted into two-dimensional patches, and neural networks are rarely applied directly. We prefer that the network is given at the level of pixels or points. Variety. Therefore, in this article, our network builds a network for 3D point cloud change detection, and proposes a new module Cross transformer suitable for change detection. Simultaneously simulate tunneling data for change detection, and do test experiments with our network.
Abstract（参考訳）: 都市建設産業の活発な発展に伴い、建設過程では工学的変形や変化がしばしば起こる。この現象に対処するためには、建設時の抜け穴を検知し、プロジェクトの完全性を確保し、労働コストを削減するために変化を検出する必要がある。あるいは道路の不便さや損傷。 3次元点雲における変化検出の研究において、研究者は3次元点雲に関する様々な研究方法を公開した。 C2C、M3C2、M3C2-EP)を直接ベースとしており、3Dポイントの雲をDSMに変換し、元の情報を多く失うものもある。深層学習はリモートセンシング手法で使用されるが、3次元点雲の変化検出ではより2次元パッチに変換され、ニューラルネットワークを直接適用することは稀である。私たちは、ネットワークがピクセルやポイントのレベルで与えられることを好んでいます。種類。そこで本稿では,3dポイントクラウド変化検出のためのネットワークを構築し,変化検出に適した新しいモジュールクロストランスを提案する。変更検出のためのトンネリングデータを同時にシミュレートし,ネットワーク上で実験を行う。

関連論文リスト

Irregular Change Detection in Sparse Bi-Temporal Point Clouds using Learned Place Recognition Descriptors and Point-to-Voxel Comparison [0.0]
本稿では3次元点雲における変化検出のための革新的なアプローチを提案する。深層学習位置認識記述子とボクセル対ポイント比較に基づく不規則物体抽出を用いる。提案手法は実世界の実地実験で評価された。
論文参考訳（メタデータ） (2023-06-27T12:22:25Z)
DC3DCD: unsupervised learning for multiclass 3D point cloud change detection [0.0]
本稿では,DC3DCD(Deep 3D Change Detection)と呼ばれる教師なしの手法を提案する。本手法は,画像分類のためのDeepClusterアプローチに基づいて,複雑な生の3DPCを扱う。
論文参考訳（メタデータ） (2023-05-09T13:13:53Z)
Toward Unsupervised 3D Point Cloud Anomaly Detection using Variational Autoencoder [10.097126085083827]
本稿では3次元点雲に対するエンドツーエンドの教師なし異常検出フレームワークを提案する。本稿では,3次元点群に適応した深部変分自動エンコーダに基づく非教師なし異常検出ネットワークと,特に3次元点群に対する異常スコアを提案する。
論文参考訳（メタデータ） (2023-04-07T00:02:37Z)
Hierarchical Point Attention for Indoor 3D Object Detection [111.04397308495618]
本研究は、点ベース変圧器検出器の汎用階層設計として、2つの新しい注意操作を提案する。まず、よりきめ細かい特徴学習を可能にするために、シングルスケールの入力機能からマルチスケールトークンを構築するマルチスケール注意(MS-A)を提案する。第2に,適応型アテンション領域を持つサイズ適応型ローカルアテンション(Local-A)を提案する。
論文参考訳（メタデータ） (2023-01-06T18:52:12Z)
On the Robustness of 3D Object Detectors [9.467525852900007]
3Dシーンには様々なバリエーションがあり、センサーの不正確さや前処理時の情報損失の傾向があります。この研究は、一般的なポイントベースの3Dオブジェクト検出器をいくつかのデータ破損に対して分析し、ベンチマークすることを目的としている。
論文参考訳（メタデータ） (2022-07-20T21:47:15Z)
Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。本稿では,SST(Single-stride Sparse Transformer)を提案する。
論文参考訳（メタデータ） (2021-12-13T02:12:02Z)
Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T07:53:28Z)
Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
論文参考訳（メタデータ） (2021-08-08T13:42:13Z)
City-scale Scene Change Detection using Point Clouds [71.73273007900717]
2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
論文参考訳（メタデータ） (2021-03-26T08:04:13Z)
End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection [62.34374949726333]
擬似LiDAR(PL)は、LiDARセンサに基づく手法と安価なステレオカメラに基づく手法の精度ギャップを劇的に減らした。 PLは最先端のディープニューラルネットワークと2D深度マップ出力を3Dポイントクラウド入力に変換することで3Dオブジェクト検出のための3D深度推定を組み合わせている。我々は、PLパイプライン全体をエンドツーエンドにトレーニングできるように、差別化可能なRepresentation (CoR)モジュールに基づく新しいフレームワークを導入します。
論文参考訳（メタデータ） (2020-04-07T02:18:38Z)

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。