論文の概要: Efficient 3D Perception on Multi-Sweep Point Cloud with Gumbel Spatial Pruning

• arxiv url: http://arxiv.org/abs/2411.07742v1
• Date: Tue, 12 Nov 2024 12:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:21:14.946038
• Title: Efficient 3D Perception on Multi-Sweep Point Cloud with Gumbel Spatial Pruning
• Title（参考訳）: ガンベル空間プレーニングによるマルチスウィープ点雲の3次元知覚
• Authors: Jianhao Li, Tianyu Sun, Xueqian Zhang, Zhongdao Wang, Bailan Feng, Hengshuang Zhao,
• Abstract要約: 既存の方法は、屋外の点雲の希少な性質のため、距離や隠蔽された物体を認識する際の限界に直面している。 本研究では, 時間的に連続する複数のLiDARスイープを蓄積することにより, この問題の顕著な緩和を観察する。 本稿では,学習したエンドツーエンドのサンプリングに基づいて動的に点をプーンする,シンプルで効果的なグンベル空間プレーニング層を提案する。
• 参考スコア（独自算出の注目度）: 31.70820822331813
• License:
• Abstract: This paper studies point cloud perception within outdoor environments. Existing methods face limitations in recognizing objects located at a distance or occluded, due to the sparse nature of outdoor point clouds. In this work, we observe a significant mitigation of this problem by accumulating multiple temporally consecutive LiDAR sweeps, resulting in a remarkable improvement in perception accuracy. However, the computation cost also increases, hindering previous approaches from utilizing a large number of LiDAR sweeps. To tackle this challenge, we find that a considerable portion of points in the accumulated point cloud is redundant, and discarding these points has minimal impact on perception accuracy. We introduce a simple yet effective Gumbel Spatial Pruning (GSP) layer that dynamically prunes points based on a learned end-to-end sampling. The GSP layer is decoupled from other network components and thus can be seamlessly integrated into existing point cloud network architectures. Without incurring additional computational overhead, we increase the number of LiDAR sweeps from 10, a common practice, to as many as 40. Consequently, there is a significant enhancement in perception performance. For instance, in nuScenes 3D object detection and BEV map segmentation tasks, our pruning strategy improves the vanilla TransL baseline and other baseline methods.
• Abstract（参考訳）: 本研究では,屋外環境における雲の知覚について検討する。 既存の方法は、屋外の点雲の希少な性質のため、距離や隠蔽された物体を認識する際の限界に直面している。 本研究では,複数の時間的連続したLiDARスイープを蓄積することにより,この問題の顕著な緩和を観察し,認識精度を著しく向上させる。 しかし、計算コストも増大し、多くのLiDARスイープを利用する従来のアプローチが妨げられた。 この課題に対処するために、蓄積された点雲のかなりの部分が冗長であり、これらの点を捨てることは知覚精度に最小限の影響を与える。 本稿では,学習したエンドツーエンドのサンプリングに基づいて動的に点を抽出する,シンプルで効果的なGumbel Spatial Pruning (GSP) 層を提案する。 GSPレイヤは、他のネットワークコンポーネントと分離されているため、既存のポイントクラウドネットワークアーキテクチャにシームレスに統合できる。 余分な計算オーバーヘッドを発生させることなく、一般的なプラクティスである10から40までLiDARスイープの数を増やします。 その結果,知覚能力は著しく向上した。 例えば、nuScenes 3Dオブジェクト検出やBEVマップセグメンテーションタスクでは、プルーニング戦略はバニラトランスLベースラインやその他のベースライン手法を改善します。

関連論文リスト

• Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
  ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T06:11:09Z)
• PolarMix: A General Data Augmentation Technique for LiDAR Point Clouds [100.03877236181546]
  PolarMixは、シンプルで汎用的なポイントクラウド拡張技術である。 様々な3Dディープアーキテクチャのプラグイン・アンド・プレイとして機能し、教師なしのドメイン適応にも適しています。
  論文  参考訳（メタデータ） (2022-07-30T13:52:19Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• 3D Point Cloud Completion with Geometric-Aware Adversarial Augmentation [11.198650616143219]
  本稿では,3Dポイントクラウド完了タスクにおけるニューラルネットワークの性能向上を図ることを目的とした。 本稿では, クリーンサンプルと逆サンプルの両方の性能向上に寄与する, 逆サンプルを生成する新しい手法を提案する。 実験結果から,本手法により作製した逆方向サンプルを用いたトレーニングは,ShapeNetデータセット上でのPCNの性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2021-09-21T13:16:46Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point Clouds Segmentation [1.2380933178502298]
  マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。 MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
  論文  参考訳（メタデータ） (2020-04-05T18:02:07Z)
• PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
  ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。 PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。 本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2020-03-01T05:40:21Z)

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。