論文の概要: Evaluating saliency scores in point clouds of natural environments by learning surface anomalies
- arxiv url: http://arxiv.org/abs/2408.14421v1
- Date: Mon, 26 Aug 2024 17:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 13:12:07.858776
- Title: Evaluating saliency scores in point clouds of natural environments by learning surface anomalies
- Title（参考訳）: 表面異常の学習による自然環境の点群における塩分濃度の評価
- Authors: Reuma Arav, Dennis Wittich, Franz Rottensteiner,
- Abstract要約: そこで本稿では, 環境が乱雑な環境と区別し, 環境との相違点を評価することを提案する。
以前のサリエンシ検出アプローチでは、主に手作りの属性が提案されていた。
本稿では,音やテクスチャ面に対応する学習機構を提案する。
- 参考スコア（独自算出の注目度）: 0.2340830801548167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, three-dimensional point clouds are used increasingly to document natural environments. Each dataset contains a diverse set of objects, at varying shapes and sizes, distributed throughout the data and intricately intertwined with the topography. Therefore, regions of interest are difficult to find and consequent analyses become a challenge. Inspired from visual perception principles, we propose to differentiate objects of interest from the cluttered environment by evaluating how much they stand out from their surroundings, i.e., their geometric salience. Previous saliency detection approaches suggested mostly handcrafted attributes for the task. However, such methods fail when the data are too noisy or have high levels of texture. Here we propose a learning-based mechanism that accommodates noise and textured surfaces. We assume that within the natural environment any change from the prevalent surface would suggest a salient object. Thus, we first learn the underlying surface and then search for anomalies within it. Initially, a deep neural network is trained to reconstruct the surface. Regions where the reconstructed part deviates significantly from the original point cloud yield a substantial reconstruction error, signifying an anomaly, i.e., saliency. We demonstrate the effectiveness of the proposed approach by searching for salient features in various natural scenarios, which were acquired by different acquisition platforms. We show the strong correlation between the reconstruction error and salient objects.
- Abstract（参考訳）: 近年では、3次元の点雲が自然環境の文書化にますます利用されている。
各データセットには、さまざまな形状と大きさのさまざまなオブジェクトセットが含まれており、データ全体に分散し、トポグラフィと複雑に絡み合っている。
したがって、興味のある地域を見つけることは困難であり、その結果分析が困難になる。
視覚知覚の原理から着想を得て, 環境の散らばった環境, すなわち幾何学的サリエンス(Sallience, 幾何学的サリエンス(Sallience, 幾何学的サリエンス(Sallience, 幾何学的サリエンス))から, それらがどの程度目立ったかを評価することによって, 興味の対象と環境を区別することを提案する。
以前のサリエンシ検出アプローチでは、主に手作りの属性が提案されていた。
しかし、データのノイズが多すぎたり、テクスチャのレベルが高い場合には、そのような手法は失敗する。
そこで本研究では,音やテクスチャを考慮した学習機構を提案する。
自然環境の中では、主表面からのいかなる変化も有意な対象を示唆するであろうと仮定する。
したがって、まず基礎となる表面を学習し、その内部の異常を探索する。
当初、深層ニューラルネットワークは表面を再構築するために訓練される。
再構成部が元の点雲から著しくずれた領域は、実質的な再構成誤差を生じ、異常、すなわち、塩分濃度を示す。
提案手法の有効性を,様々な自然シナリオにおいて有意な特徴を探索し,異なる獲得プラットフォームによって獲得された手法の有効性を実証する。
復元誤差と有意な対象との間には強い相関関係が認められた。
関連論文リスト
- ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。
そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。
本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
論文 参考訳（メタデータ） (2024-08-22T17:59:01Z) - InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction [15.900375207144759]
多視点画像からの3次元表面再構成はシーン理解とインタラクションに不可欠である。
ニューラルレージアンス場(NeRF)や符号付き距離関数(SDF)といった近年の暗黙的な表面表現は、観測情報の欠如を解決するために様々な幾何学的先行法を用いている。
本稿では,高度に相関したシーンポイントの表面正規化における相互情報を明確に促進することにより,幾何学的モデリングの正規化を提案する。
論文 参考訳（メタデータ） (2024-07-17T15:46:25Z) - Explicitly Disentangled Representations in Object-Centric Learning [0.0]
本稿では, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。
特に, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-18T17:22:11Z) - A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds [12.58355339505807]
点雲から表面を復元する従来の手法と学習法の両方を提示する。
従来のアプローチでは、入力点の雲または結果として生じる表面に手作りの先行を課すことで問題を単純化することが多い。
ディープラーニングモデルには、入力ポイントクラウドの特性を直接学習する能力がある。
論文 参考訳（メタデータ） (2023-01-31T14:18:19Z) - Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。
形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
論文 参考訳（メタデータ） (2022-08-01T17:45:36Z) - Discovering Objects that Can Move [55.743225595012966]
手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。
既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。
私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
論文 参考訳（メタデータ） (2022-03-18T21:13:56Z) - SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local
Elements [62.652588951757764]
衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。
最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。
まず、人間の体モデルに基づいて表面要素を変形させます。
第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
論文 参考訳（メタデータ） (2021-04-15T17:59:39Z) - Sign-Agnostic Implicit Learning of Surface Self-Similarities for Shape
Modeling and Reconstruction from Raw Point Clouds [35.80493796701116]
物体の表面全体を共有・適応的にモデリングするための局所暗黙的表面ネットワークを学習することを提案する。
また、各表面パッチの最適化潜在符号間の相関性を改善することにより、表面の自己相似性の活用も促進する。
私たちのフレームワークは、表面自己相似性(SAIL-S3)の符号認識暗黙学習(Sign-Agnostic Implicit Learning)と呼びます。
論文 参考訳（メタデータ） (2020-12-14T13:33:22Z) - RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。
インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。
我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
論文 参考訳（メタデータ） (2020-11-30T12:58:05Z) - Deep Structured Prediction for Facial Landmark Detection [59.60946775628646]
本稿では,深層畳み込みネットワークと条件付きランダムフィールドを組み合わせた深層構造顔のランドマーク検出手法を提案する。
顔のランドマーク検出における最先端技術よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-10-18T17:09:24Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳（メタデータ） (2020-10-05T19:47:04Z)
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。