論文の概要: CornerPoint3D: Look at the Nearest Corner Instead of the Center

• arxiv url: http://arxiv.org/abs/2504.02464v1
• Date: Thu, 03 Apr 2025 10:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 17:41:58.377591
• Title: CornerPoint3D: Look at the Nearest Corner Instead of the Center
• Title（参考訳）: CornerPoint3D:センターの代わりに最も近いコーナーをご覧ください
• Authors: Ruixiao Zhang, Runwei Guan, Xiangyu Chen, Adam Prugel-Bennett, Xiaohao Cai,
• Abstract要約: 3Dオブジェクト検出は、LiDAR点雲から物体の中心、寸法、回転を予測することを目的としている。 LiDARはオブジェクトの近辺のみを捕捉し、センターベースの検出器はクロスドメインタスクのローカライズ精度が低い。 本研究では、CenterPoint上に構築され、ヒートマップを用いて各物体の最も近い角の学習と検出を監督する新しい3Dオブジェクト検出器CornerPoint3Dを提案する。
• 参考スコア（独自算出の注目度）: 7.293031759018836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D object detection aims to predict object centers, dimensions, and rotations from LiDAR point clouds. Despite its simplicity, LiDAR captures only the near side of objects, making center-based detectors prone to poor localization accuracy in cross-domain tasks with varying point distributions. Meanwhile, existing evaluation metrics designed for single-domain assessment also suffer from overfitting due to dataset-specific size variations. A key question arises: Do we really need models to maintain excellent performance in the entire 3D bounding boxes after being applied across domains? Actually, one of our main focuses is on preventing collisions between vehicles and other obstacles, especially in cross-domain scenarios where correctly predicting the sizes is much more difficult. To address these issues, we rethink cross-domain 3D object detection from a practical perspective. We propose two new metrics that evaluate a model's ability to detect objects' closer-surfaces to the LiDAR sensor. Additionally, we introduce EdgeHead, a refinement head that guides models to focus more on learnable closer surfaces, significantly improving cross-domain performance under both our new and traditional BEV/3D metrics. Furthermore, we argue that predicting the nearest corner rather than the object center enhances robustness. We propose a novel 3D object detector, coined as CornerPoint3D, which is built upon CenterPoint and uses heatmaps to supervise the learning and detection of the nearest corner of each object. Our proposed methods realize a balanced trade-off between the detection quality of entire bounding boxes and the locating accuracy of closer surfaces to the LiDAR sensor, outperforming the traditional center-based detector CenterPoint in multiple cross-domain tasks and providing a more practically reasonable and robust cross-domain 3D object detection solution.
• Abstract（参考訳）: 3Dオブジェクト検出は、LiDAR点雲から物体の中心、寸法、回転を予測することを目的としている。 その単純さにもかかわらず、LiDARはオブジェクトの近辺のみを捕捉し、点分布の異なるクロスドメインタスクにおいて、中心ベースの検出器はローカライゼーションの精度が低くなる。 一方、単一ドメインアセスメント用に設計された既存の評価指標は、データセット固有のサイズバリエーションのために過度に適合する。 ドメインにまたがって適用された後、3Dバウンディングボックス全体で優れたパフォーマンスを維持するモデルが本当に必要か? 実際、我々の主な焦点の1つは、特にサイズを正確に予測することがより困難であるクロスドメインシナリオにおいて、車両と他の障害物の衝突を防ぐことである。 これらの課題に対処するため、我々は領域横断3Dオブジェクト検出を実践的な観点から再考する。 本稿では,LiDARセンサに物体の近接場を検知するモデルの能力を評価する2つの新しい指標を提案する。 さらに、EdgeHeadも導入しています。この改善ヘッドは、学習可能な近接面に集中できるようにモデルをガイドし、新しいBEV/3Dメトリクスと従来のBEV/3Dメトリクスの両方の下で、ドメイン間のパフォーマンスを大幅に改善します。 さらに,物体中心よりも最も近い角の予測は頑健性を高めると論じている。 本研究では、CenterPoint上に構築され、ヒートマップを用いて各物体の最も近い角の学習と検出を監督する新しい3Dオブジェクト検出器CornerPoint3Dを提案する。 提案手法は,境界ボックス全体の検出品質とLiDARセンサとの近接面の位置精度とのバランスの取れたトレードオフを実現し,従来のセンターベース検出器CenterPointを複数のクロスドメインタスクで上回り,より実用的に合理的で堅牢なクロスドメイン3Dオブジェクト検出ソリューションを提供する。

関連論文リスト

• Detect Closer Surfaces that can be Seen: New Modeling and Evaluation in Cross-domain 3D Object Detection [7.464834150824093]
  本研究では,エゴ車両のセンサに近接する表面を検出する3次元物体検出モデルの能力を測定するための2つの指標を提案する。 また、学習可能な近接面にもっと焦点を合わせるために、EdgeHeadという改良ヘッドも提案しています。
  論文  参考訳（メタデータ） (2024-07-04T17:06:16Z)
• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 この方法は、粗いバウンディングボックスを囲むLiDAR点に条件付きドメインに依存しない拡散モデルを用いて、ボックスの位置、サイズ、方向を同時に洗練する。 結果から,異なるデータセット,オブジェクトクラス,検出器間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• 3D Object Detection Combining Semantic and Geometric Features from Point Clouds [19.127930862527666]
  そこで本研究では,SGNetと呼ばれる2次元物体検出装置を提案する。 VTPMはVoxel-Point-Based Moduleであり、最終的に点空間で3Dオブジェクト検出を実装している。 2021年9月19日時点で、KITTIデータセットでは、SGNetは、難易度の高いサイクリストの3DおよびBEV検出で1位、適度なサイクリストの3D検出では2位であった。
  論文  参考訳（メタデータ） (2021-10-10T04:43:27Z)
• Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
  我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。 ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。 検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
  論文  参考訳（メタデータ） (2021-08-08T13:42:13Z)
• 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)
• M3DSSD: Monocular 3D Single Stage Object Detector [82.25793227026443]
  特徴アライメントと非対称非局所的注意を有するモノクロ3次元単段物体検出器(M3DSSD)を提案する。 提案したM3DSSDは,KITTIデータセット上のモノラルな3Dオブジェクト検出手法よりも大幅に性能が向上する。
  論文  参考訳（メタデータ） (2021-03-24T13:09:11Z)
• 1st Place Solution for Waymo Open Dataset Challenge -- 3D Detection and Domain Adaptation [7.807118356899879]
  本研究では,一段式,アンカーフリー,NMSフリーの3Dポイント・クラウド・オブジェクト検出器AFDetを提案する。 AFDetは私たちの勝利ソリューションの強力なベースラインとして機能します。 我々は、より強力なネットワークを設計し、デンシフィケーションとポイントペインティングを用いてポイントクラウドデータを強化する。
  論文  参考訳（メタデータ） (2020-06-28T04:49:39Z)
• Center-based 3D Object Detection and Tracking [8.72305226979945]
  3次元オブジェクトは通常、ポイントクラウド内の3Dボックスとして表現される。 この表現は、よく研究されたイメージベースの2Dバウンディングボックス検出を模倣するが、さらなる課題が伴う。 本稿では,3Dオブジェクトをポイントとして表現し,検出し,追跡する手法を提案する。 われわれのフレームワークであるCenterPointは、まずキーポイント検出器を用いて物体の中心を検知し、3次元サイズ、3次元方向、速度など他の属性に回帰する。 その結果、検出と追跡のアルゴリズムは単純で効率的で効果的である。
  論文  参考訳（メタデータ） (2020-06-19T17:59:39Z)

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。