論文の概要: Plane Detection and Ranking via Model Information Optimization
- arxiv url: http://arxiv.org/abs/2508.09625v1
- Date: Wed, 13 Aug 2025 08:56:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.823426
- Title: Plane Detection and Ranking via Model Information Optimization
- Title（参考訳）: モデル情報最適化による平面検出とランク付け
- Authors: Daoxin Zhong, Jun Li, Meng Yee Michael Chuah,
- Abstract要約: 深度画像からの平面検出は、幅広いロボット応用において重要なサブタスクである。
モデル情報最適化に基づく平面検出のための一般化されたフレームワークを提案する。
合成データを用いた実験により,これらの特性を検証し,より正確に平面パラメータを推定できることを見出した。
- 参考スコア（独自算出の注目度）: 3.2895277171887423
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Plane detection from depth images is a crucial subtask with broad robotic applications, often accomplished by iterative methods such as Random Sample Consensus (RANSAC). While RANSAC is a robust strategy with strong probabilistic guarantees, the ambiguity of its inlier threshold criterion makes it susceptible to false positive plane detections. This issue is particularly prevalent in complex real-world scenes, where the true number of planes is unknown and multiple planes coexist. In this paper, we aim to address this limitation by proposing a generalised framework for plane detection based on model information optimization. Building on previous works, we treat the observed depth readings as discrete random variables, with their probability distributions constrained by the ground truth planes. Various models containing different candidate plane constraints are then generated through repeated random sub-sampling to explain our observations. By incorporating the physics and noise model of the depth sensor, we can calculate the information for each model, and the model with the least information is accepted as the most likely ground truth. This information optimization process serves as an objective mechanism for determining the true number of planes and preventing false positive detections. Additionally, the quality of each detected plane can be ranked by summing the information reduction of inlier points for each plane. We validate these properties through experiments with synthetic data and find that our algorithm estimates plane parameters more accurately compared to the default Open3D RANSAC plane segmentation. Furthermore, we accelerate our algorithm by partitioning the depth map using neural network segmentation, which enhances its ability to generate more realistic plane parameters in real-world data.
- Abstract（参考訳）: 深度画像からの平面検出は、広範にロボットを応用した重要なサブタスクであり、しばしばRandom Sample Consensus (RANSAC)のような反復的な手法によって達成される。
RANSACは強い確率的保証を持つ堅牢な戦略であるが、その不等しきしきい値基準の曖昧さは、偽の正の平面検出を許容する。
この問題は、平面の真の数は不明であり、複数の平面が共存する複雑な現実世界のシーンで特に顕著である。
本稿では,モデル情報最適化に基づく平面検出のための一般化されたフレームワークを提案する。
過去の研究に基づいて、観測された深度読み出しを離散確率変数として扱い、それらの確率分布は基底真理平面に制約される。
異なる候補平面制約を含む様々なモデルが、観測結果を説明するために、繰り返しランダムなサブサンプリングによって生成される。
深度センサの物理モデルとノイズモデルを組み合わせることで,各モデルの情報を計算し,最小限の情報を持つモデルを最も可能性の高い基礎的真理として受け入れる。
この情報最適化プロセスは、真の平面数を決定し、偽陽性検出を防止するための客観的メカニズムとして機能する。
さらに、検出された各平面の品質は、各平面に対する不整点の情報還元を和らげることでランク付けすることができる。
我々は,これらの特性を合成データを用いた実験により検証し,既定のOpen3D RANSAC平面セグメンテーションよりも正確に平面パラメータを推定できることを見出した。
さらに,ニューラルネットワークセグメンテーションを用いて深度マップを分割することにより,実世界のデータからよりリアルな平面パラメータを生成する能力を高めることで,アルゴリズムを高速化する。
関連論文リスト
- MVSDet: Multi-View Indoor 3D Object Detection via Efficient Plane Sweeps [51.44887282336391]
多視点屋内3次元物体検出の課題は、画像から正確な幾何学情報を推測して正確な3次元物体検出を行うことである。
それまでの手法は、幾何推論にNeRFに依存していた。
平面スイープを用いた3次元物体検出のためのMVSDetを提案する。
論文 参考訳（メタデータ） (2024-10-28T21:58:41Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Plane2Depth: Hierarchical Adaptive Plane Guidance for Monocular Depth Estimation [38.81275292687583]
平面情報を適応的に利用し,階層的なフレームワーク内での深度予測を改善するPlane2Depthを提案する。
提案する平面案内深度発生器 (PGDG) では, 現場の平面をソフトにモデル化し, 画素ごとの平面係数を予測するためのプロトタイプとして, 一連の平面クエリを設計する。
提案するアダプティブプレーンクエリアグリゲーション(APGA)モジュールでは,マルチスケール平面特徴のアグリゲーションを改善するために,新たな機能インタラクションアプローチを導入する。
論文 参考訳（メタデータ） (2024-09-04T07:45:06Z) - Identifying Light-curve Signals with a Deep Learning Based Object
Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。
我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-14T11:08:34Z) - PlaneDepth: Self-supervised Depth Estimation via Orthogonal Planes [41.517947010531074]
複数の前頭平行面に基づく深度推定は、自己教師付き単眼深度推定(MDE)において顕著な結果を示した
本研究では,垂直面と接地面を含む新しい平面ベースプレゼンテーションであるPlaneDepthを提案する。
本手法は, 自律走行において重要な, 教師なしの方法で地上面を抽出することができる。
論文 参考訳（メタデータ） (2022-10-04T13:51:59Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z) - Ensemble of Sparse Gaussian Process Experts for Implicit Surface Mapping
with Streaming Data [13.56926815833324]
我々は、既知のポーズを持つ範囲データのストリームから、環境のコンパクトで連続的な暗黙の表面マップを学習する。
GPモデルに到着するすべてのデータを挿入する代わりに、モデルの複雑さと予測エラーの間に鮮やかにトレードオフがあります。
その結果、異なる条件下で、コンパクトで正確な暗黙曲面モデルを学習できることが示唆された。
論文 参考訳（メタデータ） (2020-02-12T11:06:48Z) - From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized
3D Point Clouds [59.98665358527686]
直交平面の分割自由結合推定法を提案する。
このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。
本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
論文 参考訳（メタデータ） (2020-01-21T06:51:47Z)
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。