論文の概要: DOC-Depth: A novel approach for dense depth ground truth generation

• arxiv url: http://arxiv.org/abs/2502.02144v1
• Date: Tue, 04 Feb 2025 09:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:56:38.708578
• Title: DOC-Depth: A novel approach for dense depth ground truth generation
• Title（参考訳）: DOC-Depth: 深層地盤真理生成の新しいアプローチ
• Authors: Simon de Moreau, Mathias Corsia, Hassan Bouchiba, Yasser Almehio, Andrei Bursuc, Hafid El-Idrissi, Fabien Moutarde,
• Abstract要約: 我々は,任意のLiDARセンサから高密度深度を発生させる新しい,効率的かつ容易に展開できるアプローチであるDOC-Depthを紹介する。 DOC-Depthは高速でスケーラブルで、サイズと時間の観点からデータセットを作成することができる。 我々は、KITTIデータセットに対するアプローチの有効性を示し、その密度を16.1%から71.2%に改善した。
• 参考スコア（独自算出の注目度）: 9.225743292848586
• License:
• Abstract: Accurate depth information is essential for many computer vision applications. Yet, no available dataset recording method allows for fully dense accurate depth estimation in a large scale dynamic environment. In this paper, we introduce DOC-Depth, a novel, efficient and easy-to-deploy approach for dense depth generation from any LiDAR sensor. After reconstructing consistent dense 3D environment using LiDAR odometry, we address dynamic objects occlusions automatically thanks to DOC, our state-of-the art dynamic object classification method. Additionally, DOC-Depth is fast and scalable, allowing for the creation of unbounded datasets in terms of size and time. We demonstrate the effectiveness of our approach on the KITTI dataset, improving its density from 16.1% to 71.2% and release this new fully dense depth annotation, to facilitate future research in the domain. We also showcase results using various LiDAR sensors and in multiple environments. All software components are publicly available for the research community.
• Abstract（参考訳）: 多くのコンピュータビジョンアプリケーションにおいて、正確な深度情報は不可欠である。 しかし,大規模な動的環境下での高精度な深度推定が可能なデータセット記録手法は存在しない。 本稿では,任意のLiDARセンサから高密度深度を発生させる新しい,効率的かつ容易に展開できるアプローチであるDOC-Depthを紹介する。 LiDARオドメトリーを用いて一貫した密集した3次元環境を再構築した後、DOC(最先端の動的オブジェクト分類法)のおかげで、動的オブジェクトの閉塞を自動的に解決する。 さらに、DOC-Depthは高速でスケーラブルで、サイズと時間の観点から無制限のデータセットを作成することができる。 我々は、KITTIデータセットに対する我々のアプローチの有効性を実証し、その密度を16.1%から71.2%に改善し、ドメインにおける将来の研究を促進するために、この新しい完全な深度アノテーションをリリースする。 また、様々なLiDARセンサと複数の環境における実験結果についても紹介する。 すべてのソフトウェアコンポーネントは、研究コミュニティで公開されています。

関連論文リスト

• Prompting Depth Anything for 4K Resolution Accurate Metric Depth Estimation [108.04354143020886]
  本稿では、深度基礎モデルにプロンプトを導入し、Prompt Depth Anythingと呼ばれる計量深度推定のための新しいパラダイムを作成する。 低コストのLiDARを用いて、Depth Anythingモデルによる正確なメートル法深度出力を導出し、最大4K解像度を達成する。
  論文  参考訳（メタデータ） (2024-12-18T16:32:12Z)
• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• DeepMIF: Deep Monotonic Implicit Fields for Large-Scale LiDAR 3D Mapping [46.80755234561584]
  最近の学習ベース手法は,3次元シーンの表面を近似するために,ニューラル暗黙表現と最適化可能な特徴グリッドを統合している。 この作業では、LiDARデータを正確にフィッティングすることから離れ、代わりにネットワークが3D空間で定義された非メトリックモノトニック暗黙フィールドを最適化する。 提案アルゴリズムは,Mai City, Newer College, KITTIベンチマークで得られた複数の量的および知覚的測定値と視覚的結果を用いて,高品質な高密度3Dマッピング性能を実現する。
  論文  参考訳（メタデータ） (2024-03-26T09:58:06Z)
• Sparse Depth Completion with Semantic Mesh Deformation Optimization [4.03103540543081]
  本稿では、RGB画像とスパース深度サンプルを入力とし、完全な深度マップを予測し、最適化後のニューラルネットワークを提案する。 評価結果は,屋内および屋外両方のデータセットにおいて,既存の成果を一貫して上回る結果となった。
  論文  参考訳（メタデータ） (2021-12-10T13:01:06Z)
• 3DVNet: Multi-View Depth Prediction and Volumetric Refinement [68.68537312256144]
  3DVNetは、新しいマルチビューステレオ(MVS)深度予測法である。 私たちのキーとなるアイデアは、粗い深度予測を反復的に更新する3Dシーンモデリングネットワークを使用することです。 本手法は, 深度予測と3次元再構成の両指標において, 最先端の精度を超えることを示す。
  論文  参考訳（メタデータ） (2021-12-01T00:52:42Z)
• DenseLiDAR: A Real-Time Pseudo Dense Depth Guided Depth Completion Network [3.1447111126464997]
  本稿では,DenseLiDARを提案する。 単純な形態的操作から得られた高密度な擬似深度マップを利用してネットワークを誘導する。 我々のモデルは50Hzのフレームレートで最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2021-08-28T14:18:29Z)
• DynOcc: Learning Single-View Depth from Dynamic Occlusion Cues [37.837552043766166]
  In-the-wild シーンからなる第1の深度データセット DynOcc を導入する。 提案手法は,これらのダイナミックシーンの手がかりを利用して,選択したビデオフレームのポイント間の深さ関係を推定する。 DynOccデータセットには、91Kフレームのさまざまなビデオセットから22Mの深さペアが含まれています。
  論文  参考訳（メタデータ） (2021-03-30T22:17:36Z)
• Depth-conditioned Dynamic Message Propagation for Monocular 3D Object Detection [86.25022248968908]
  モノラル3Dオブジェクト検出の問題を解決するために、コンテキストと奥行きを認識する特徴表現を学びます。 KITTIベンチマークデータセットにおける単眼的アプローチにおける最新の結果を示す。
  論文  参考訳（メタデータ） (2021-03-30T16:20:24Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)

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。