論文の概要: 3D Understanding of Deformable Linear Objects: Datasets and Transferability Benchmark

• arxiv url: http://arxiv.org/abs/2310.08904v1
• Date: Fri, 13 Oct 2023 07:19:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 14:02:44.744677
• Title: 3D Understanding of Deformable Linear Objects: Datasets and Transferability Benchmark
• Title（参考訳）: 変形可能な線形オブジェクトの3次元理解:データセットと転送可能性ベンチマーク
• Authors: Bare Luka \v{Z}agar, Tim Hertel, Mingyu Liu, Ekim Yurtsever, ALois C. Knoll
• Abstract要約: 本稿では,3次元変形可能な線形物体の研究のための2点クラウドデータセットを提案する。 提案する大規模3次元変形可能な線形オブジェクトベンチマークにおける最先端手法の評価を行った。
• 参考スコア（独自算出の注目度）: 29.43462426812185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable linear objects are vastly represented in our everyday lives. It is often challenging even for humans to visually understand them, as the same object can be entangled so that it appears completely different. Examples of deformable linear objects include blood vessels and wiring harnesses, vital to the functioning of their corresponding systems, such as the human body and a vehicle. However, no point cloud datasets exist for studying 3D deformable linear objects. Therefore, we are introducing two point cloud datasets, PointWire and PointVessel. We evaluated state-of-the-art methods on the proposed large-scale 3D deformable linear object benchmarks. Finally, we analyzed the generalization capabilities of these methods by conducting transferability experiments on the PointWire and PointVessel datasets.
• Abstract（参考訳）: 変形可能な線形オブジェクトは、私たちの日常生活で大きく表されています。 人間が視覚的に理解しても、同じ物体が完全に異なるように見えるように絡み合っているため、しばしば困難である。 変形可能な線形物体の例としては、血管や配線ハーネスがあり、人体や車両などの対応するシステムの機能に不可欠である。 しかし、3次元変形可能な線形物体を研究するための点クラウドデータセットは存在しない。 そのため、PointWireとPointVesselという2つのポイントクラウドデータセットを導入しています。 提案手法を大規模3次元変形可能な線形オブジェクトベンチマークで評価した。 最後に,pointwire および pointvessel データセット上で転送可能性実験を行い,それらの一般化機能を解析した。

関連論文リスト

• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• 3D-LFM: Lifting Foundation Model [29.48835001900286]
  ディープラーニングは、幅広いオブジェクトクラスを再構築する能力を拡大しました。 提案手法は, 3次元データインスタンス毎に異なる数点を管理するために, 固有置換同値変換器を利用する。 本稿では,2D-3Dリフトタスクベンチマークにおけるアートパフォーマンスについて述べる。
  論文  参考訳（メタデータ） (2023-12-19T06:38:18Z)
• Every Dataset Counts: Scaling up Monocular 3D Object Detection with Joint Datasets Training [9.272389295055271]
  本研究では,多種多様な3次元および2次元データセットを用いたモノクロ3次元物体検出モデルの学習パイプラインについて検討した。 提案フレームワークは,(1)様々なカメラ設定にまたがって機能するロバストなモノクル3Dモデル,(2)異なるクラスアノテーションでデータセットを適応するための選択学習戦略,(3)2Dラベルを用いた擬似3Dトレーニング手法により,2Dラベルのみを含むシーンにおける検出性能を向上させる。
  論文  参考訳（メタデータ） (2023-10-02T06:17:24Z)
• Detection and Physical Interaction with Deformable Linear Objects [10.707804359932604]
  変形可能な線形オブジェクト(例えば、ケーブル、ロープ、スレッド)は、私たちの日常生活に一般的に現れます。 変形可能な線形オブジェクトをモデル化し追跡する手法はすでに成功している。 本研究では,地上および空中ロボットによるルーティングや操作などのタスクに本手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-05-17T01:17:21Z)
• CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud Understanding [2.8661021832561757]
  CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。 提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
  論文  参考訳（メタデータ） (2022-03-01T18:59:01Z)
• 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)
• Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds [96.9027094562957]
  ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。 幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。 STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
  論文  参考訳（メタデータ） (2021-09-01T04:17:11Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Canonical 3D Deformer Maps: Unifying parametric and non-parametric methods for dense weakly-supervised category reconstruction [79.98689027127855]
  独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。 提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。 顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
  論文  参考訳（メタデータ） (2020-08-28T15:44:05Z)
• Info3D: Representation Learning on 3D Objects using Mutual Information Maximization and Contrastive Learning [8.448611728105513]
  本稿では,3次元形状に関するInfoMaxと対照的な学習原理を拡張することを提案する。 我々は3Dオブジェクトとその「チャンク」間の相互情報を最大化して、整列したデータセットにおける表現を改善することができることを示す。
  論文  参考訳（メタデータ） (2020-06-04T00:30:26Z)
• 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)

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。