論文の概要: MV2GF: Multi-view Pedestrian Detection with a Visual Geometric Foundation Model
- arxiv url: http://arxiv.org/abs/2608.20639v1
- Date: Fri, 21 Aug 2026 00:26:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.308367
- Title: MV2GF: Multi-view Pedestrian Detection with a Visual Geometric Foundation Model
- Title（参考訳）: MV2GF:視覚的幾何学的基礎モデルを用いた多視点歩行者検出
- Abstract要約: 多視点歩行者検出(Multi-View Pedestrian Detection, MVPD)は、多視点画像から鳥の視線マップの形で歩行者を検出することを目的としている。
最近のMVPDメソッドでは、2Dイメージ機能を3Dワールドスペースに投影し、それらを単一の機能に集約する統合フレームワークを採用している。
本稿では,トレーニング中のカメラ構成を一般化するためのMV2GFを提案する。
- 参考スコア（独自算出の注目度）: 29.40309190873847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-View Pedestrian Detection (MVPD) aims to detect pedestrians in the form of a bird's eye view map from multi-view images. Recent MVPD methods adopt a unified framework that projects 2D image features into a 3D world space and aggregates them into a single feature. Although they are effective, they struggle to generalize to unseen camera configurations during training due to two main issues. First, they are difficult to capture accurate visual geometry across views in unseen camera configurations. Second, they make detection models highly dependent on distortion patterns during training arising from their image feature projection. To address these, we leverage a visual geometric foundation model and propose MV2GF. This foundation model has exhibited strong generalization in capturing visual geometry across views and predicting accurate 3D attributes in diverse camera configurations. MV2GF fuses task-specific features with general-purpose geometric features extracted by the foundation model to effectively capture the visual geometry even in unseen camera configurations. Furthermore, MV2GF projects each pixel in the image features to an appropriate 3D location using 3D pointmaps predicted by the foundation model, preventing the detection model from depending on distortion patterns during training. Our experiments demonstrate the effectiveness of leveraging a visual geometric foundation model for MVPD and that MV2GF generalizes better than existing methods.
- Abstract（参考訳）: 多視点歩行者検出(Multi-View Pedestrian Detection, MVPD)は、多視点画像から鳥の視線マップの形で歩行者を検出することを目的としている。
最近のMVPDメソッドでは、2Dイメージ機能を3Dワールドスペースに投影し、それらを単一の機能に集約する統合フレームワークを採用している。
効果はあるものの、主に2つの問題により、トレーニング中に見えないカメラ構成に一般化するのに苦労する。
まず、見えないカメラ構成で視界を横断する正確な視覚的幾何学を捉えることは困難である。
第2に、画像特徴投影から生じるトレーニング中に、歪みパターンに強く依存する検出モデルを作成する。
これらの問題に対処するために、視覚幾何学的基礎モデルを活用し、MV2GFを提案する。
この基礎モデルは、ビューを横断する視覚的幾何学を捉え、多様なカメラ構成における正確な3D特性を予測する上で、強力な一般化を示している。
MV2GFは、ファンデーションモデルによって抽出された汎用的な幾何学的特徴とタスク固有の特徴を融合させ、見えないカメラ構成でも視覚幾何学を効果的に捉える。
さらに、MV2GFは、基礎モデルによって予測される3Dポイントマップを用いて、画像特徴の各ピクセルを適切な3D位置に投影し、トレーニング中の歪みパターンに依存する検出モデルを防止する。
本実験は, MVPD の幾何学的基礎モデルの有効性を実証し, MV2GF が既存手法より優れていることを示す。
関連論文リスト
- Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors [61.34273238077091]
本稿では,物体の単一画像からオービタルビデオを生成する新しい手法を提案する。
本手法は,最先端の手法と比較して,視覚的品質,形状リアリズム,多視点整合性を実現している。
論文 参考訳（メタデータ） (2026-04-14T05:35:46Z) - FLARE: Feed-forward Geometry, Appearance and Camera Estimation from Uncalibrated Sparse Views [100.45129752375658]
FLAREは、高品質カメラのポーズと3次元幾何を、補正されていないスパースビュー画像から推定するために設計されたフィードフォワードモデルである。
本ソリューションでは,3次元構造を2次元画像平面にマッピングする上で,カメラポーズが重要なブリッジとして機能するケースケード学習パラダイムを特徴とする。
論文 参考訳（メタデータ） (2025-02-17T18:54:05Z) - Unsupervised Learning of Category-Level 3D Pose from Object-Centric Videos [15.532504015622159]
カテゴリーレベルの3Dポーズ推定は、コンピュータビジョンとロボット工学において基本的に重要な問題である。
カテゴリーレベルの3Dポーズを,カジュアルに撮られた対象中心の動画からのみ推定する学習の課題に取り組む。
論文 参考訳（メタデータ） (2024-07-05T09:43:05Z) - VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。
本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-04-15T03:12:12Z) - Multiple View Geometry Transformers for 3D Human Pose Estimation [35.26756920323391]
多視点人間のポーズ推定におけるトランスフォーマーの3次元推論能力の向上を目指す。
本稿では,一連の幾何学的および外観的モジュールを反復的に構成した新しいハイブリッドモデルMVGFormerを提案する。
論文 参考訳（メタデータ） (2023-11-18T06:32:40Z) - Towards Generalizable Multi-Camera 3D Object Detection via Perspective
Debiasing [28.874014617259935]
マルチカメラ3Dオブジェクト検出(MC3D-Det)は,鳥眼ビュー(BEV)の出現によって注目されている。
本研究では,3次元検出と2次元カメラ平面との整合性を両立させ,一貫した高精度な検出を実現する手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T15:31:28Z) - MVTN: Learning Multi-View Transformations for 3D Understanding [60.15214023270087]
本稿では,3次元形状認識のための最適視点を決定するために,可変レンダリングを用いたマルチビュー変換ネットワーク(MVTN)を提案する。
MVTNは3次元形状認識のためのマルチビューネットワークでエンドツーエンドに訓練することができる。
提案手法は,複数のベンチマークによる3次元分類と形状検索における最先端性能を示す。
論文 参考訳（メタデータ） (2022-12-27T12:09:16Z) - Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。
我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。
我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文 参考訳（メタデータ） (2022-04-21T03:42:31Z) - Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。
具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。
本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-07-29T12:30:39Z)
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。