論文の概要: TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder

• arxiv url: http://arxiv.org/abs/2512.11926v1
• Date: Fri, 12 Dec 2025 00:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.02776
• Title: TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder
• Title（参考訳）: TransBridge: Transformer Decoder を用いたScene-Level Completion による3次元物体検出
• Authors: Qinghao Meng, Chenming Wu, Liangjun Zhang, Jianbing Shen,
• Abstract要約: 本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。 その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
• 参考スコア（独自算出の注目度）: 66.22997415145467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D object detection is essential in autonomous driving, providing vital information about moving objects and obstacles. Detecting objects in distant regions with only a few LiDAR points is still a challenge, and numerous strategies have been developed to address point cloud sparsity through densification.This paper presents a joint completion and detection framework that improves the detection feature in sparse areas while maintaining costs unchanged. Specifically, we propose TransBridge, a novel transformer-based up-sampling block that fuses the features from the detection and completion networks.The detection network can benefit from acquiring implicit completion features derived from the completion network. Additionally, we design the Dynamic-Static Reconstruction (DSRecon) module to produce dense LiDAR data for the completion network, meeting the requirement for dense point cloud ground truth.Furthermore, we employ the transformer mechanism to establish connections between channels and spatial relations, resulting in a high-resolution feature map used for completion purposes.Extensive experiments on the nuScenes and Waymo datasets demonstrate the effectiveness of the proposed framework.The results show that our framework consistently improves end-to-end 3D object detection, with the mean average precision (mAP) ranging from 0.7 to 1.5 across multiple methods, indicating its generalization ability. For the two-stage detection framework, it also boosts the mAP up to 5.78 points.
• Abstract（参考訳）: 3Dオブジェクト検出は、自律運転において必須であり、動く物体や障害物について重要な情報を提供する。 わずかながらLiDAR点しか持たない遠方領域の物体の検出は依然として課題であり、高密度化により点雲の空間性に対処する多くの戦略が開発され、コストを一定に抑えつつ、余剰領域における検出機能を改善する共同補完と検出の枠組みが提案されている。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)は,コンプリートネットワークから特徴を融合させ,コンプリートネットワークから暗黙的なコンプリート機能を取得できる。 さらに,我々は,高密度点雲地真理の要求を満たすために,高密度のLiDARデータを生成する動的統計再構成 (DSRecon) モジュールを設計し,また,チャネルと空間関係の接続を確立するためにトランスフォーマー機構を用いて,完成目的に使用する高解像度の特徴マップを構築した。 nuScenes と Waymo データセットの大規模な実験により,提案したフレームワークの有効性を実証した。その結果,我々のフレームワークは,各手法の平均精度(mAP)を0.7から1.5の範囲で連続的に改善し,その一般化能力を示している。 2段階検出フレームワークでは、mAPも5.78ポイントまで向上する。

関連論文リスト

• Boosting 3D Object Detection with Semantic-Aware Multi-Branch Framework [44.44329455757931]
  自律走行では、LiDARセンサーは3Dポイントの雲の取得に不可欠であり、信頼できる幾何学的情報を提供する。 従来の前処理のサンプリング手法は意味的特徴を無視することが多く、詳細な損失や接地点干渉を引き起こす。 本稿では,Semantic-aware Multi-branch Smpling (SMS)モジュールとマルチビュー制約を用いたマルチブランチ2次元オブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-08T09:25:45Z)
• Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
  本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。 我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。 我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
  論文  参考訳（メタデータ） (2024-03-10T10:36:32Z)
• Joint object detection and re-identification for 3D obstacle multi-camera systems [47.87501281561605]
  本研究は,カメラとライダー情報を用いた物体検出ネットワークに新たな改良を加えたものである。 同じ車両内の隣のカメラにまたがって物体を再識別する作業のために、追加のブランチが組み込まれている。 その結果,従来の非最大抑圧(NMS)技術よりも,この手法が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-09T15:16:35Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• 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)
• SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud [20.84329063509459]
  LiDARベースの3Dオブジェクト検出は、自動運転車に大きな影響を与える。 LiDARの固有特性の制限により、センサーから遠く離れた物体において、より少ない点が収集される。 そこで本研究では,SIENetという2段階の3次元物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T07:45:09Z)
• siaNMS: Non-Maximum Suppression with Siamese Networks for Multi-Camera 3D Object Detection [65.03384167873564]
  サイムズネットワークは、よく知られた3Dオブジェクト検出器アプローチのパイプラインに統合される。 アソシエーションはオブジェクトの3Dボックスレグレッションを強化するために利用される。 nuScenesデータセットの実験的評価は,提案手法が従来のNMS手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-02-19T15:32:38Z)

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。