Fugu-MT 論文翻訳(概要): ArrowPose: Segmentation, Detection, and 5 DoF Pose Estimation Network for Colorless Point Clouds

論文の概要: ArrowPose: Segmentation, Detection, and 5 DoF Pose Estimation Network for Colorless Point Clouds

arxiv url: http://arxiv.org/abs/2506.08699v1
Date: Tue, 10 Jun 2025 11:26:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-11 15:11:42.365654
Title: ArrowPose: Segmentation, Detection, and 5 DoF Pose Estimation Network for Colorless Point Clouds
Title（参考訳）: ArrowPose:無色の点雲に対するセグメンテーション,検出,および5DFポス推定ネットワーク
Authors: Frederik Hagelskjaer,
Abstract要約: 本稿では,無色点雲に対する高速検出と5自由度ポーズ推定ネットワークを提案する。ポーズ推定は、ニューラルネットワークによって予測される対象の中心と上部から算出される。ネットワークは250ミリ秒で推論を実行でき、多くのシナリオで使用することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a fast detection and 5 DoF (Degrees of Freedom) pose estimation network for colorless point clouds. The pose estimation is calculated from center and top points of the object, predicted by the neural network. The network is trained on synthetic data, and tested on a benchmark dataset, where it demonstrates state-of-the-art performance and outperforms all colorless methods. The network is able to run inference in only 250 milliseconds making it usable in many scenarios. Project page with code at arrowpose.github.io
Abstract（参考訳）: 本稿では,無色点雲に対する高速検出と5自由度ポーズ推定ネットワークを提案する。ポーズ推定は、ニューラルネットワークによって予測される対象の中心と上部から算出される。ネットワークは合成データに基づいてトレーニングされ、ベンチマークデータセットでテストされる。ネットワークは250ミリ秒で推論を実行でき、多くのシナリオで使用することができる。 arrowpose.github.io のコードによるプロジェクトページ

関連論文リスト

GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
論文参考訳（メタデータ） (2023-08-25T04:52:52Z)
SATR: Zero-Shot Semantic Segmentation of 3D Shapes [74.08209893396271]
大規模オフザシェルフ2次元画像認識モデルを用いて3次元形状のゼロショットセマンティックセマンティックセマンティックセグメンテーションの課題について検討する。本研究では、SATRアルゴリズムを開発し、ShapeNetPartと提案したFAUSTベンチマークを用いて評価する。 SATRは最先端のパフォーマンスを達成し、ベースラインアルゴリズムを平均mIoUの1.3%と4%で上回っている。
論文参考訳（メタデータ） (2023-04-11T00:43:16Z)
Explaining Deep Neural Networks for Point Clouds using Gradient-based Visualisations [1.2891210250935146]
本研究では,非構造化3次元データの分類を目的としたネットワークの粗い視覚的説明を生成する手法を提案する。提案手法では,最終特徴写像層に逆流する勾配を用いて,これらの値を入力点クラウド内の対応する点の寄与としてマップする。このアプローチの汎用性は、シングルオブジェクトネットワークのPointNet、PointNet++、DGCNN、a'scene'ネットワークのVoteNetなど、さまざまなポイントクラウド分類ネットワークでテストされている。
論文参考訳（メタデータ） (2022-07-26T15:42:08Z)
Efficient Human Pose Estimation via 3D Event Point Cloud [10.628192454401553]
私たちは3Dイベントポイントクラウドから直接2Dのポーズを推定する最初の人です。そこで我々は,NX化イベントポイントクラウド(NX化イベントポイントクラウド)という新しいイベント表現を提案し,小さな時間スライスと同じ位置でイベントを集約する。 DHP19データセット上のMPJPE3Dの2048点入力82.46mmでPointNetを実現したが,レイテンシは12.29msに過ぎなかった。
論文参考訳（メタデータ） (2022-06-09T13:50:20Z)
Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。 BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。 0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文参考訳（メタデータ） (2021-08-16T10:42:59Z)
Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline [111.3236030935478]
評価手法の違い,データ拡張戦略,損失関数などの補助的要因が,性能に大きな違いをもたらすことがわかった。 SimpleViewと呼ばれるプロジェクションベースのメソッドは驚くほどうまく機能します。ポイントネット++の半分のサイズでありながら、ModelNet40の洗練された最先端メソッドよりも同等かそれ以上の結果が得られる。
論文参考訳（メタデータ） (2021-06-09T18:01:11Z)
Compositional Prototype Network with Multi-view Comparision for Few-Shot Point Cloud Semantic Segmentation [47.0611707526858]
完全に教師ありのポイントクラウドセグメンテーションネットワークは、しばしばポイントワイズアノテーションを持つ大量のデータを必要とする。少数のラベル付きトレーニングデータだけでポイントクラウドのセグメンテーションを行うことができるコンポジションプロトタイプネットワークを紹介します。画像中の少数の学習文献にインスパイアされたネットワークは、限られたトレーニングデータから予測のためのラベルのないテストデータに直接ラベル情報を転送します。
論文参考訳（メタデータ） (2020-12-28T15:01:34Z)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)
Multi-Resolution Graph Neural Network for Large-Scale Pointcloud Segmentation [0.3867363075280543]
大規模なポイントクラウド上でセマンティックセグメンテーションを行うために,メモリ効率のよいエンドツーエンドグラフニューラルネットワークフレームワーク MuGNet を提案する。我々は,11GBのGPUで最大45個の部屋スキャンを同時に処理できることを実証した。
論文参考訳（メタデータ） (2020-09-18T16:42:02Z)
Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud [3.04585143845864]
本稿では,LiDAR点雲から物体を検出するグラフニューラルネットワークを提案する。我々は、その点雲を近辺の固定半径グラフに効率よくエンコードする。 Point-GNNでは,翻訳のばらつきを低減する自動登録機構を提案する。
論文参考訳（メタデータ） (2020-03-02T23:44:12Z)

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。