論文の概要: Self-Annotated 3D Geometric Learning for Smeared Points Removal

• arxiv url: http://arxiv.org/abs/2311.09029v1
• Date: Wed, 15 Nov 2023 15:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 15:32:21.557534
• Title: Self-Annotated 3D Geometric Learning for Smeared Points Removal
• Title（参考訳）: Smeared Points 除去のための自己アノテーション付き3次元幾何学習
• Authors: Miaowei Wang and Daniel Morris
• Abstract要約: スミアドポイントは任意の3次元曲面上の点ではない。 我々はスミアドポイント除去分類器を訓練するための自己注釈付き手法を提案する。 われわれのアプローチは、複数の視点から3次元幾何学的証拠を集めることに依存している。
• 参考スコア（独自算出の注目度）: 3.15463184697502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been significant progress in improving the accuracy and quality of consumer-level dense depth sensors. Nevertheless, there remains a common depth pixel artifact which we call smeared points. These are points not on any 3D surface and typically occur as interpolations between foreground and background objects. As they cause fictitious surfaces, these points have the potential to harm applications dependent on the depth maps. Statistical outlier removal methods fare poorly in removing these points as they tend also to remove actual surface points. Trained network-based point removal faces difficulty in obtaining sufficient annotated data. To address this, we propose a fully self-annotated method to train a smeared point removal classifier. Our approach relies on gathering 3D geometric evidence from multiple perspectives to automatically detect and annotate smeared points and valid points. To validate the effectiveness of our method, we present a new benchmark dataset: the Real Azure-Kinect dataset. Experimental results and ablation studies show that our method outperforms traditional filters and other self-annotated methods. Our work is publicly available at https://github.com/wangmiaowei/wacv2024_smearedremover.git.
• Abstract（参考訳）: 消費者レベルの高密度センサの精度と品質の改善には大きな進歩があった。 それでも、スミアドポイントと呼ばれる共通の深度画素アーティファクトが残っている。 これらは任意の3d表面上にない点であり、通常は前景と背景オブジェクトの補間として発生する。 それらは架空の表面を引き起こすので、これらの点は深度マップに依存するアプリケーションを傷つける可能性がある。 統計的外れ値除去法は、実際の表面点も取り除く傾向があるため、これらの点を取り除くのに不利である。 訓練されたネットワークベースのポイント削除は、十分な注釈付きデータを得るのが困難である。 そこで本研究では,スミア点除去分類器を訓練するための完全自己注釈法を提案する。 本手法は,複数の視点から3次元幾何学的証拠を収集し,スメア点と有効点を自動的に検出・注釈する。 本手法の有効性を検証するため,新しいベンチマークデータセットであるReal Azure-Kinectデータセットを提案する。 実験結果とアブレーション実験の結果,従来のフィルタや他の自己注釈法よりも優れていた。 私たちの仕事はhttps://github.com/wangmiaowei/wacv2024_smearedremover.gitで公開されています。

関連論文リスト

• What You See Is What You Detect: Towards better Object Densification in 3D detection [2.3436632098950456]
  広く使われているフル形状のコンプリートアプローチは、特に遠く離れた物や歩行者のような小さな物に対して、エラーのアップバウンドを高くする。 従来の手法が生成した予測ポイントの11.3%しか必要としない可視部分補完法を提案する。 密表現を復元するために,目に見える前景オブジェクトに関連付けられた点集合を拡大するメッシュデフォーメーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-10-27T01:46:37Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• 3D Human Mesh Estimation from Virtual Markers [34.703241940871635]
  体表面上の64個のランドマークキーポイントを学習する仮想マーカーを中間表現として提示する。 提案手法は3つのデータセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-21T10:30:43Z)
• 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)
• End-to-End Learning of Multi-category 3D Pose and Shape Estimation [128.881857704338]
  本稿では,画像から2次元キーポイントを同時に検出し,それらを3次元に引き上げるエンド・ツー・エンド手法を提案する。 提案手法は2次元キーポイントアノテーションからのみ2次元検出と3次元リフトを学習する。 画像から3D学習へのエンドツーエンド化に加えて,1つのニューラルネットワークを用いて複数のカテゴリからのオブジェクトも処理する。
  論文  参考訳（メタデータ） (2021-12-19T17:10:40Z)
• Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
  3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。 双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。 本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
  論文  参考訳（メタデータ） (2021-07-29T16:30:33Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• Sim2Real 3D Object Classification using Spherical Kernel Point Convolution and a Deep Center Voting Scheme [28.072144989298298]
  人工的な3dモデルからの学習は、この問題に取り組むのに必要なアノテーションのコストを軽減する。 これらの問題の原因は、多くの方法が形状の代わりに点座標から直接学習するという事実であると推測する。 グラフとして表される物体表面を直接利用する球状核点畳み込みと、貧弱なセグメンテーションの影響を制限する投票方式を紹介します。
  論文  参考訳（メタデータ） (2021-03-10T15:32:04Z)
• Object as Hotspots: An Anchor-Free 3D Object Detection Approach via Firing of Hotspots [37.16690737208046]
  オブジェクトレベルのアンカーを用いた既存のメソッドとは逆のアプローチを論じる。 構成モデルに着想を得て、内部の空でないボクセルの組成として、ホットスポットと呼ばれる物体を提案する。 提案手法は,OHSに基づく新しい地中真理割当て戦略を用いたアンカーフリー検出ヘッドを提案する。
  論文  参考訳（メタデータ） (2019-12-30T03:02:22Z)

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。