論文の概要: PillarTrack: Redesigning Pillar-based Transformer Network for Single Object Tracking on Point Clouds

• arxiv url: http://arxiv.org/abs/2404.07495v1
• Date: Thu, 11 Apr 2024 06:06:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 14:58:47.752115
• Title: PillarTrack: Redesigning Pillar-based Transformer Network for Single Object Tracking on Point Clouds
• Title（参考訳）: PillarTrack: ポイントクラウド上の単一オブジェクト追跡のためのPillarベースのトランスフォーマーネットワークの再設計
• Authors: Weisheng Xu, Sifan Zhou, Zhihang Yuan,
• Abstract要約: LiDARベースの3Dオブジェクトトラッキング(3D SOT)は、ロボット工学と自動運転において重要な問題である。 柱型3Dオブジェクト追跡フレームワークであるPillarTrackを提案する。 PillarTrackは、KITTIとnuScenesデータセットで最先端のパフォーマンスを実現し、リアルタイムトラッキング速度を実現する。
• 参考スコア（独自算出の注目度）: 5.524413892353708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-based 3D single object tracking (3D SOT) is a critical issue in robotics and autonomous driving. It aims to obtain accurate 3D BBox from the search area based on similarity or motion. However, existing 3D SOT methods usually follow the point-based pipeline, where the sampling operation inevitably leads to redundant or lost information, resulting in unexpected performance. To address these issues, we propose PillarTrack, a pillar-based 3D single object tracking framework. Firstly, we transform sparse point clouds into dense pillars to preserve the local and global geometrics. Secondly, we introduce a Pyramid-type Encoding Pillar Feature Encoder (PE-PFE) design to help the feature representation of each pillar. Thirdly, we present an efficient Transformer-based backbone from the perspective of modality differences. Finally, we construct our PillarTrack tracker based above designs. Extensive experiments on the KITTI and nuScenes dataset demonstrate the superiority of our proposed method. Notably, our method achieves state-of-the-art performance on the KITTI and nuScenes dataset and enables real-time tracking speed. We hope our work could encourage the community to rethink existing 3D SOT tracker designs.We will open source our code to the research community in https://github.com/StiphyJay/PillarTrack.
• Abstract（参考訳）: LiDARベースの3Dオブジェクトトラッキング(3D SOT)は、ロボット工学と自動運転において重要な問題である。 類似性や動きに基づいて、検索エリアから正確な3D BBoxを得る。 しかし、既存の3D SOTメソッドは通常、サンプリング操作が必然的に冗長または失われる情報をもたらし、予期せぬ性能をもたらす点ベースのパイプラインに従っている。 これらの問題に対処するため、柱ベースの3Dオブジェクト追跡フレームワークであるPillarTrackを提案する。 まず、スパース点雲を高密度の柱に変換し、局所的および大域的幾何学を保存する。 次に、各柱の特徴表現を支援するために、ピラミッド型符号化ピラー特徴符号化器(PE-PFE)の設計を提案する。 第3に、モダリティ差の観点から、効率的なトランスフォーマーベースのバックボーンを提案する。 最後に、上記の設計に基づいてPillarTrackトラッカーを構築する。 KITTIおよびnuScenesデータセットの大規模な実験により,提案手法の優位性を実証した。 特に,本手法は,KITTIおよびnuScenesデータセット上での最先端性能を実現し,リアルタイム追跡速度を実現する。 私たちは、コミュニティが既存の3D SOTトラッカーの設計を再考するよう促すことを願っています。

関連論文リスト

• TAPVid-3D: A Benchmark for Tracking Any Point in 3D [63.060421798990845]
  我々は,3Dにおける任意の点の追跡作業を評価するための新しいベンチマークTAPVid-3Dを導入する。 このベンチマークは、モノクロビデオから正確な3Dの動きと表面の変形を理解する能力を改善するためのガイドポストとして機能する。
  論文  参考訳（メタデータ） (2024-07-08T13:28:47Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• Exploiting More Information in Sparse Point Cloud for 3D Single Object Tracking [9.693724357115762]
  3Dオブジェクトトラッキングは、3Dコンピュータビジョンにおける重要なタスクである。 点雲の空間性は、類似性を計算し、対象を見つけるのを難しくする。 本稿では3次元オブジェクト追跡のためのスパース・トゥ・デンス・トランスフォーマー・ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-02T13:38:30Z)
• VPIT: Real-time Embedded Single Object 3D Tracking Using Voxel Pseudo Images [90.60881721134656]
  本稿では,Voxel Pseudo Image Tracking (VPIT) という,Voxel-based 3D Single Object Tracking (3D SOT) 手法を提案する。 KITTI追跡データセットの実験は、VPITが最速の3D SOT法であり、競合的な成功と精度の値を維持することを示している。
  論文  参考訳（メタデータ） (2022-06-06T14:02:06Z)
• A Lightweight and Detector-free 3D Single Object Tracker on Point Clouds [50.54083964183614]
  生のLiDARスキャンにおける物体の点雲は、通常スパースで不完全であるため、正確な目標固有検出を行うのは簡単ではない。 DMTは、複雑な3D検出器の使用を完全に除去する3Dトラッキングネットワークである。
  論文  参考訳（メタデータ） (2022-03-08T17:49:07Z)
• 3D-SiamRPN: An End-to-End Learning Method for Real-Time 3D Single Object Tracking Using Raw Point Cloud [9.513194898261787]
  3D-SiamRPN Network と呼ばれる3次元追跡手法を提案する。 KITTIデータセットによる実験結果から,本手法は成功と精度の両面で競合する性能を示した。
  論文  参考訳（メタデータ） (2021-08-12T09:52:28Z)
• 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)
• Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
  周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。 移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-12T15:30:02Z)
• F-Siamese Tracker: A Frustum-based Double Siamese Network for 3D Single Object Tracking [12.644452175343059]
  3Dオブジェクト追跡の主な課題は、適切な3D候補を生成するための検索スペースを減らす方法である。 3Dプロポーザルに頼る代わりに、2D領域プロポーザルを生成し、それを3Dビューイングフラストラムに出力する。 我々は3次元フラストラム上でオンラインの精度検証を行い、洗練された点雲探索空間を生成する。
  論文  参考訳（メタデータ） (2020-10-22T08:01:17Z)

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。