論文の概要: PillarGen: Enhancing Radar Point Cloud Density and Quality via Pillar-based Point Generation Network

• arxiv url: http://arxiv.org/abs/2403.01663v2
• Date: Fri, 8 Mar 2024 05:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 10:48:44.496862
• Title: PillarGen: Enhancing Radar Point Cloud Density and Quality via Pillar-based Point Generation Network
• Title（参考訳）: PillarGen: Pillarベースのポイント生成ネットワークによるレーダポイントクラウド密度と品質の向上
• Authors: Jisong Kim, Geonho Bang, Kwangjin Choi, Minjae Seong, Jaechang Yoo, Eunjong Pyo, Jun Won Choi
• Abstract要約: Pillar-based Point Generation Network (PillarGen) と呼ばれる新しい点生成モデルを提案する。 PillarGenは、提供される入力点雲に基づいて、密度と品質を向上した合成点雲を生成する。
• 参考スコア（独自算出の注目度）: 7.657459502581987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel point generation model, referred to as Pillar-based Point Generation Network (PillarGen), which facilitates the transformation of point clouds from one domain into another. PillarGen can produce synthetic point clouds with enhanced density and quality based on the provided input point clouds. The PillarGen model performs the following three steps: 1) pillar encoding, 2) Occupied Pillar Prediction (OPP), and 3) Pillar to Point Generation (PPG). The input point clouds are encoded using a pillar grid structure to generate pillar features. Then, OPP determines the active pillars used for point generation and predicts the center of points and the number of points to be generated for each active pillar. PPG generates the synthetic points for each active pillar based on the information provided by OPP. We evaluate the performance of PillarGen using our proprietary radar dataset, focusing on enhancing the density and quality of short-range radar data using the long-range radar data as supervision. Our experiments demonstrate that PillarGen outperforms traditional point upsampling methods in quantitative and qualitative measures. We also confirm that when PillarGen is incorporated into bird's eye view object detection, a significant improvement in detection accuracy is achieved.
• Abstract（参考訳）: 本稿では,ピラーベースポイント生成ネットワーク (pilar-based point generation network, pillargen) と呼ばれる新しいポイント生成モデルを提案する。 PillarGenは、提供される入力ポイントクラウドに基づいて、密度と品質を向上した合成ポイントクラウドを生成することができる。 PillarGenモデルは以下の3つのステップを実行する。 1)柱符号化 2)占有柱予測(opp)、及び 3) Pillar to Point Generation (PPG)。 入力点雲は、柱格子構造を用いて符号化され、柱特徴を生成する。 そして、oppはポイント生成に使用するアクティブなピラーを決定し、アクティブなピラーごとに生成されるポイントの中心とポイントの数を予測する。 PPGは、OPPが提供する情報に基づいて、各アクティブピラーの合成点を生成する。 プロプライエタリなレーダデータセットを用いてPillarGenの性能を評価し,長距離レーダデータを監視対象とする短距離レーダデータの密度と品質の向上に着目した。 実験の結果,PillarGenは従来の点検法よりも定量的,定性的に優れていることがわかった。 また,鳥の眼球物体検出にピラーゲンを組み込むと,検出精度が大幅に向上することを確認した。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• 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)
• Fine-Grained Pillar Feature Encoding Via Spatio-Temporal Virtual Grid for 3D Object Detection [11.798670216671631]
  Fine-Grained Pillar Feature (FG-PFE)は、LiDARベースの3Dオブジェクト検出器のための新しい符号化アーキテクチャである。 FG-PFEはPointPillar、CenterPoint-Pillar、PillarNetといったベースラインモデルよりも大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-03-11T04:58:36Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• PointGPT: Auto-regressively Generative Pre-training from Point Clouds [45.488532108226565]
  我々はGPTの概念を点雲に拡張する新しいアプローチであるPointGPTを提案する。 具体的には、変圧器モデルの事前訓練に対して、ポイントクラウド自動回帰生成タスクを提案する。 提案手法は,ModelNet40データセットで94.9%,ScanObjectNNデータセットで93.4%の分類精度を達成し,他のトランスフォーマーモデルよりも優れている。
  論文  参考訳（メタデータ） (2023-05-19T07:39:04Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• Progressive Seed Generation Auto-encoder for Unsupervised Point Cloud Learning [23.730871202742083]
  教師なしの学習は、高価なアノテーションプロセスなしでポイントクラウドを理解し、活用するために不可欠です。 本稿では,ポイントクラウドの再構成に基づく学習のための新しいフレームワークと,PSG-Netという名の自動エンコーダアーキテクチャを提案する。 我々はPSG-Netの有効性を実験的に証明し、PSG-Netはポイントクラウドの再構築と教師なし分類における最先端の性能を示し、教師なし補完における他の手法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2021-12-09T21:05:30Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)

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。