論文の概要: Instance by Instance: An Iterative Framework for Multi-instance 3D Registration

• arxiv url: http://arxiv.org/abs/2402.04195v1
• Date: Tue, 6 Feb 2024 17:50:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 13:39:37.639203
• Title: Instance by Instance: An Iterative Framework for Multi-instance 3D Registration
• Title（参考訳）: Instance by Instance: マルチインスタンス3D登録のための反復フレームワーク
• Authors: Xinyue Cao, Xiyu Zhang, Yuxin Cheng, Zhaoshuai Qi, Yanning Zhang, Jiaqi Yang
• Abstract要約: 我々は、MI-3DReg(Multi-instance 3D registration)のためのinstance-by-instance(IBI)と呼ばれる反復的なフレームワークを提案する。 IBIフレームワークでは,頑健なMI-3DRegを実現するために,スパース・ツー・ディエンス対応型マルチインスタンス登録法(IBI-S2DC)を提案する。 合成および実データを用いた実験により, IBIの有効性が実証され, IBI-S2DCの最先端性能が示唆された。
• 参考スコア（独自算出の注目度）: 36.32232490240359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-instance registration is a challenging problem in computer vision and robotics, where multiple instances of an object need to be registered in a standard coordinate system. In this work, we propose the first iterative framework called instance-by-instance (IBI) for multi-instance 3D registration (MI-3DReg). It successively registers all instances in a given scenario, starting from the easiest and progressing to more challenging ones. Throughout the iterative process, outliers are eliminated continuously, leading to an increasing inlier rate for the remaining and more challenging instances. Under the IBI framework, we further propose a sparse-to-dense-correspondence-based multi-instance registration method (IBI-S2DC) to achieve robust MI-3DReg. Experiments on the synthetic and real datasets have demonstrated the effectiveness of IBI and suggested the new state-of-the-art performance of IBI-S2DC, e.g., our MHF1 is 12.02%/12.35% higher than the existing state-of-the-art method ECC on the synthetic/real datasets.
• Abstract（参考訳）: マルチインスタンス登録は、コンピュータビジョンとロボティクスにおいて難しい問題であり、オブジェクトの複数のインスタンスを標準座標システムに登録する必要がある。 本稿では,マルチインテンス3d登録(mi-3dreg)のためのインスタンスバイインテンス(ibi)と呼ばれる最初の反復フレームワークを提案する。 より簡単で、より難しいシナリオまで、すべてのインスタンスを所定のシナリオに連続的に登録する。 反復的なプロセスを通じて、アウトリアーは継続的に排除され、残りのインスタンスとより困難なインスタンスのインリアーレートが増加する。 IBIフレームワークでは、より堅牢なMI-3DRegを実現するために、スパース・トゥ・ディエンス対応型マルチインスタンス登録法(IBI-S2DC)を提案する。 合成および実データに対する実験は、BIの有効性を実証し、IBI-S2DCの新たな最先端性能、例えば、我々のMHF1は、合成/実データに対する既存の最先端のECCよりも12.02%/12.35%高いことを示唆している。

関連論文リスト

• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• AutoInst: Automatic Instance-Based Segmentation of LiDAR 3D Scans [41.17467024268349]
  3D環境を理解するには、きめ細かい風景を理解する必要がある。 教師なしの方法で3次元シーンのインスタンスセグメンテーションを予測することを提案する。 平均精度は13.3%,F1スコアは9.1%向上した。
  論文  参考訳（メタデータ） (2024-03-24T22:53:16Z)
• Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
  本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。 CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。 PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-02-12T14:48:31Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• 3D-QueryIS: A Query-based Framework for 3D Instance Segmentation [74.6998931386331]
  従来の3Dインスタンスセグメンテーションの方法は、しばしばタスク間の依存関係と堅牢性の欠如の傾向を維持する。 本稿では,3D-QueryISと呼ばれる新しい問合せ方式を提案する。 私たちの3D-QueryISは、タスク間の依存関係による累積エラーから解放されています。
  論文  参考訳（メタデータ） (2022-11-17T07:04:53Z)
• ICOS: Efficient and Highly Robust Point Cloud Registration with Correspondences [6.8858952804978335]
  ポイントクラウド登録は、ロボット工学とコンピュータビジョンの基本的な問題である。 本論文では,通信型ポイントクラウド登録問題に対する,新規で効率的かつ堅牢なソリューションであるICOSについて述べる。
  論文  参考訳（メタデータ） (2021-04-30T05:41:53Z)
• Segmentation of Macular Edema Datasets with Small Residual 3D U-Net Architectures [5.881334886616738]
  本稿では, 深部畳み込み型ニューラルネットワークの黄斑浮腫セグメンテーション問題への応用について検討する。 一般的な信念とは対照的に、このアプリケーション設定内のニューラルアーキテクチャは、大量のトレーニングサンプルを必要とせずに、目に見えないテストイメージ上での人間レベルのパフォーマンスに近いパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-05-10T15:34:46Z)
• siaNMS: Non-Maximum Suppression with Siamese Networks for Multi-Camera 3D Object Detection [65.03384167873564]
  サイムズネットワークは、よく知られた3Dオブジェクト検出器アプローチのパイプラインに統合される。 アソシエーションはオブジェクトの3Dボックスレグレッションを強化するために利用される。 nuScenesデータセットの実験的評価は,提案手法が従来のNMS手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-02-19T15:32:38Z)

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。