論文の概要: On-the-Fly Object-aware Representative Point Selection in Point Cloud

• arxiv url: http://arxiv.org/abs/2508.01980v1
• Date: Mon, 04 Aug 2025 01:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.141521
• Title: On-the-Fly Object-aware Representative Point Selection in Point Cloud
• Title（参考訳）: 点群におけるオンザフライオブジェクト認識型代表点選択
• Authors: Xiaoyu Zhang, Ziwei Wang, Hai Dong, Zhifeng Bao, Jiajun Liu,
• Abstract要約: 本稿では,点群ダウンサンプリングのための代表的点選択フレームワークを提案する。 提案手法は,有効性と有効性の両方において,最先端のベースラインを一貫して上回ることを示す。 モデルに依存しないソリューションとして、我々のアプローチは様々な下流モデルとシームレスに統合されます。
• 参考スコア（独自算出の注目度）: 21.55830632188697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds are essential for object modeling and play a critical role in assisting driving tasks for autonomous vehicles (AVs). However, the significant volume of data generated by AVs creates challenges for storage, bandwidth, and processing cost. To tackle these challenges, we propose a representative point selection framework for point cloud downsampling, which preserves critical object-related information while effectively filtering out irrelevant background points. Our method involves two steps: (1) Object Presence Detection, where we introduce an unsupervised density peak-based classifier and a supervised Na\"ive Bayes classifier to handle diverse scenarios, and (2) Sampling Budget Allocation, where we propose a strategy that selects object-relevant points while maintaining a high retention rate of object information. Extensive experiments on the KITTI and nuScenes datasets demonstrate that our method consistently outperforms state-of-the-art baselines in both efficiency and effectiveness across varying sampling rates. As a model-agnostic solution, our approach integrates seamlessly with diverse downstream models, making it a valuable and scalable addition to the 3D point cloud downsampling toolkit for AV applications.
• Abstract（参考訳）: ポイントクラウドはオブジェクトモデリングに不可欠であり、自動運転車(AV)の運転タスクを支援する上で重要な役割を果たす。 しかし、AVが生成する膨大な量のデータは、ストレージ、帯域幅、処理コストの課題を生み出している。 これらの課題に対処するために,重要なオブジェクト関連情報を保存し,無関係な背景点を効果的にフィルタリングする,点群ダウンサンプリングのための代表点選択フレームワークを提案する。 提案手法は,(1)非教師付き密度ピークベース分類器と,(2)多種多様なシナリオを扱える教師付きNa\"ive Bayes分類器を導入するオブジェクト存在検出と,(2)オブジェクト情報の保持率を維持しながらオブジェクト関連点を選択する戦略を提案する。 KITTI と nuScenes データセットの大規模な実験により、我々の手法は、様々なサンプリングレートの効率と有効性の両方において、常に最先端のベースラインを上回ります。 モデルに依存しないソリューションとして、当社のアプローチは多様なダウンストリームモデルとシームレスに統合され、AVアプリケーションのための3Dポイントクラウドサンプリングツールキットに価値がありスケーラブルな追加となる。

関連論文リスト

• Extending Dataset Pruning to Object Detection: A Variance-based Approach [0.0]
  本稿では,オブジェクト検出領域への分類プルーニング手法の最初の拡張について述べる。 可変ベース予測スコア(VPS)と呼ばれる新しいスコアリング手法を含む、最適化された解を提案する。 私たちのワークブリッジは、データセットのプルーニングとオブジェクト検出、複雑なビジョンタスクにおけるデータセットプルーニングの道を開くものです。
  論文  参考訳（メタデータ） (2025-05-22T19:46:51Z)
• CS-Net:Contribution-based Sampling Network for Point Cloud Simplification [50.55658910053004]
  ポイントクラウドサンプリングは、様々なビジョンタスクの計算コストとストレージ要求を減らす上で重要な役割を果たす。 最遠点サンプリングのような従来のサンプリング手法では、タスク固有の情報が欠落している。 提案手法では, サンプル処理をTop-k操作として定式化したCS-Netを提案する。
  論文  参考訳（メタデータ） (2025-01-18T14:56:09Z)
• The Why, When, and How to Use Active Learning in Large-Data-Driven 3D Object Detection for Safe Autonomous Driving: An Empirical Exploration [1.2815904071470705]
  エントロピークエリは、リソース制約のある環境でモデル学習を強化するデータを選択するための有望な戦略である。 この結果から,エントロピークエリは資源制約のある環境でのモデル学習を促進するデータ選択に有望な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-30T00:14:13Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Active Learning for Object Detection with Non-Redundant Informative Sampling [1.7602289331729377]
  我々の戦略は、不確実性と多様性に基づく選択原則を共同選択目標に統合する。 提案したNORISアルゴリズムは,サンプルを用いたトレーニングが他の類似サンプルの情報伝達性に与える影響を定量的に評価する。 PASCAL-VOC と KITTI のランダム選択と比較して,ラベリングコストの 20% と 30% の削減を実現している。
  論文  参考訳（メタデータ） (2023-07-17T11:55:20Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Exploring Diversity-based Active Learning for 3D Object Detection in Autonomous Driving [45.405303803618]
  多様性に基づくアクティブラーニング(AL)を,アノテーションの負担を軽減するための潜在的解決策として検討する。 選択したサンプルの空間的・時間的多様性を強制する新しい取得関数を提案する。 提案手法がnuScenesデータセットに与える影響を実証し,既存のAL戦略を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-05-16T14:21:30Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)

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。