論文の概要: CatFree3D: Category-agnostic 3D Object Detection with Diffusion

• arxiv url: http://arxiv.org/abs/2408.12747v1
• Date: Thu, 22 Aug 2024 22:05:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 16:28:47.786082
• Title: CatFree3D: Category-agnostic 3D Object Detection with Diffusion
• Title（参考訳）: CatFree3D:拡散によるカテゴリー非依存3次元物体検出
• Authors: Wenjing Bian, Zirui Wang, Andrea Vedaldi,
• Abstract要約: 本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。 また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
• 参考スコア（独自算出の注目度）: 63.75470913278591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-based 3D object detection is widely employed in applications such as autonomous vehicles and robotics, yet current systems struggle with generalisation due to complex problem setup and limited training data. We introduce a novel pipeline that decouples 3D detection from 2D detection and depth prediction, using a diffusion-based approach to improve accuracy and support category-agnostic detection. Additionally, we introduce the Normalised Hungarian Distance (NHD) metric for an accurate evaluation of 3D detection results, addressing the limitations of traditional IoU and GIoU metrics. Experimental results demonstrate that our method achieves state-of-the-art accuracy and strong generalisation across various object categories and datasets.
• Abstract（参考訳）: 画像に基づく3Dオブジェクト検出は、自動運転車やロボット工学などのアプリケーションで広く使われているが、現在のシステムは複雑な問題設定と限られた訓練データのために一般化に苦慮している。 本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。 さらに,従来のIoUおよびGIoU測定値の限界に対処し,3次元検出結果の正確な評価を行うために,正規化ハンガリー距離(NHD)測定基準を導入する。 実験結果から,本手法は様々な対象カテゴリやデータセットにまたがる最先端の精度と強力な一般化を実現することが示された。

関連論文リスト

• SplatPose & Detect: Pose-Agnostic 3D Anomaly Detection [18.796625355398252]
  最先端のアルゴリズムは、ますます困難な設定やデータモダリティの欠陥を検出することができる。 本稿では,3次元ガウススプラッティングに基づくフレームワークSplatPoseを提案する。 競合手法に比べてトレーニングデータが少ない場合でも,トレーニング速度と推論速度,検出性能の両面で最先端の成果が得られている。
  論文  参考訳（メタデータ） (2024-04-10T08:48:09Z)
• SOGDet: Semantic-Occupancy Guided Multi-view 3D Object Detection [19.75965521357068]
  本稿では,SOGDet(Semantic-Occupancy Guided Multi-view Object Detection)と呼ばれる新しい手法を提案する。 以上の結果から,SOGDet は nuScenes Detection Score (NDS) と平均平均精度 (mAP) の3つのベースライン法の性能を一貫して向上させることがわかった。 これは、3Dオブジェクト検出と3Dセマンティック占有の組み合わせが、3D環境をより包括的に認識し、より堅牢な自律運転システムの構築を支援することを示唆している。
  論文  参考訳（メタデータ） (2023-08-26T07:38:21Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• Categorical Depth Distribution Network for Monocular 3D Object Detection [7.0405916639906785]
  モノラル3D検出の重要な課題は、物体の深度を正確に予測することです。 多くの手法は3次元検出を支援するために直接深度を推定しようとするが、深度不正確な結果、限られた性能を示す。 Categorical Depth Distribution Network (CADDN) を提案し、3次元空間の適切な深さ間隔にリッチなコンテキスト特徴情報を投影する。 提案手法をkitti 3d object detection benchmarkで検証し, 単項法のうち1位にランク付けした。
  論文  参考訳（メタデータ） (2021-03-01T16:08:29Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)
• SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation [3.1542695050861544]
  3Dの向きとオブジェクトの変換を推定することは、インフラストラクチャレスの自律走行と運転に不可欠である。 SMOKEと呼ばれる新しい3次元オブジェクト検出手法を提案する。 構造的単純さにもかかわらず、提案するSMOKEネットワークは、KITTIデータセット上の既存のモノクル3D検出方法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-24T08:15:36Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。