論文の概要: AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration
- arxiv url: http://arxiv.org/abs/2309.11170v1
- Date: Wed, 20 Sep 2023 09:29:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 16:42:13.096589
- Title: AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration
- Title（参考訳）: AutoSynth: オブジェクトポイントクラウド登録のための3Dトレーニングデータ生成を学ぶ
- Authors: Zheng Dang, Mathieu Salzmann
- Abstract要約: Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
- 参考スコア（独自算出の注目度）: 69.21282992341007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the current deep learning paradigm, the amount and quality of training
data are as critical as the network architecture and its training details.
However, collecting, processing, and annotating real data at scale is
difficult, expensive, and time-consuming, particularly for tasks such as 3D
object registration. While synthetic datasets can be created, they require
expertise to design and include a limited number of categories. In this paper,
we introduce a new approach called AutoSynth, which automatically generates 3D
training data for point cloud registration. Specifically, AutoSynth
automatically curates an optimal dataset by exploring a search space
encompassing millions of potential datasets with diverse 3D shapes at a low
cost.To achieve this, we generate synthetic 3D datasets by assembling shape
primitives, and develop a meta-learning strategy to search for the best
training data for 3D registration on real point clouds. For this search to
remain tractable, we replace the point cloud registration network with a much
smaller surrogate network, leading to a $4056.43$ times speedup. We demonstrate
the generality of our approach by implementing it with two different point
cloud registration networks, BPNet and IDAM. Our results on TUD-L, LINEMOD and
Occluded-LINEMOD evidence that a neural network trained on our searched dataset
yields consistently better performance than the same one trained on the widely
used ModelNet40 dataset.
- Abstract（参考訳）: 現在のディープラーニングパラダイムでは、トレーニングデータの量と品質は、ネットワークアーキテクチャとそのトレーニング詳細と同じくらい重要になります。
しかし、特に3Dオブジェクト登録のようなタスクでは、実際のデータを大規模に収集、処理、注釈付けすることは難しく、高価で、時間を要する。
合成データセットは作成できるが、設計には専門知識が必要であり、限られたカテゴリが含まれる。
本稿では,ポイントクラウド登録のための3Dトレーニングデータを自動的に生成するAutoSynthという新しい手法を提案する。
具体的には、多種多様な3d形状の可能性のあるデータセットを低コストで探索し、最適なデータセットを自動的にキュレートする。これを実現するために、形状プリミティブを組み立てて合成した3dデータセットを生成し、リアルタイムクラウド上で3d登録のための最良のトレーニングデータを探すメタラーニング戦略を開発する。
この検索を扱いやすいものにするためには、point cloudの登録ネットワークをはるかに小さなサブゲートネットワークに置き換えて、4056.43ドルのスピードアップを実現します。
BPNetとIDAMの2つの異なるポイントクラウド登録ネットワークで実装することで、このアプローチの汎用性を実証する。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
関連論文リスト
- 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) - MATE: Masked Autoencoders are Online 3D Test-Time Learners [63.3907730920114]
MATEは3Dデータ用に設計された最初のTTT(Test-Time-Training)手法である。
テストデータで発生する分散シフトに対して、ポイントクラウド分類のためにトレーニングされたディープネットワークを堅牢にする。
論文 参考訳（メタデータ） (2022-11-21T13:19:08Z) - Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文 参考訳（メタデータ） (2022-10-31T01:53:51Z) - Self-Supervised Learning with Multi-View Rendering for 3D Point Cloud
Analysis [33.31864436614945]
本稿では,3次元点雲モデルのための新しい事前学習手法を提案する。
我々の事前訓練は、局所的なピクセル/ポイントレベルの対応損失と、大域的な画像/ポイントの雲のレベル損失によって自己管理される。
これらの改善されたモデルは、さまざまなデータセットや下流タスクにおける既存の最先端メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-10-28T05:23:03Z) - What Can be Seen is What You Get: Structure Aware Point Cloud
Augmentation [0.966840768820136]
本稿では,データセットを人工的に多様化する新たなポイントクラウド拡張手法を提案する。
センサ中心の手法はライダーセンサーの機能とデータ構造を一致させる。
提案手法は,非常に小さなデータセットの使用,アノテーション時間,トレーニング時間,関連するコストの削減を可能にする。
論文 参考訳（メタデータ） (2022-06-20T09:10:59Z) - Continual learning on 3D point clouds with random compressed rehearsal [10.667104977730304]
本研究では,3Dポイントクラウドデータ上で連続学習が可能なニューラルネットワークアーキテクチャを提案する。
我々は,過去のデータを強く圧縮した集合を保存するために,点雲構造特性を利用する。
論文 参考訳（メタデータ） (2022-05-16T22:59:52Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Generating synthetic photogrammetric data for training deep learning
based 3D point cloud segmentation models [0.0]
I/ITSEC 2019で著者らは、3Dフォトグラムのポイントクラウド/ミームをセグメント化し、オブジェクト情報を抽出する、完全に自動化されたワークフローを発表した。
最終的な目標は、現実的な仮想環境を作成し、シミュレーションに必要な情報を提供することである。
論文 参考訳（メタデータ） (2020-08-21T18:50:42Z) - Neural Data Server: A Large-Scale Search Engine for Transfer Learning
Data [78.74367441804183]
我々は,ターゲットドメインに最も有用な転送学習データを見つけるための大規模検索エンジンであるNeural Data Server (NDS)を紹介した。
NDSは、いくつかの人気のある画像データセットをインデックスするデータサーバで構成され、クライアントにデータを推奨することを目的としている。
我々は,NDSが様々な伝達学習シナリオにおいて有効であることを示し,複数のターゲットデータセットに対して最先端の性能を示す。
論文 参考訳（メタデータ） (2020-01-09T01:21:30Z)
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。