論文の概要: ShelfChange3D: Object-Level 3D Change Detection for Retail Shelf Monitoring
- arxiv url: http://arxiv.org/abs/2610.01283v1
- Date: Thu, 01 Oct 2026 08:23:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.998018
- Title: ShelfChange3D: Object-Level 3D Change Detection for Retail Shelf Monitoring
- Title（参考訳）: ShelfChange3D:リテールシェルフモニタリングのためのオブジェクトレベル3次元変化検出
- Abstract要約: 物体レベルの3次元変化検出としてシェルフモニタリングを定式化する。
そこで本研究では,145Kの合成および5Kの実世界のRGB-D観測とオブジェクトレベルの3D変化アノテーションを組み合わせたShelfChange3Dについて紹介する。
両眼で観測し,オブジェクトレベルの3D変更ボックスを予測する,エンドツーエンドのフレームワークであるChangeBoxを提案する。
- 参考スコア（独自算出の注目度）: 26.50397585266096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable shelf monitoring is an important capability for retail automation, yet existing out-of-stock detection methods mainly operate in image space and lack metric 3D localization for downstream robotic systems. We formulate shelf monitoring as object-level 3D change detection: given two RGB-D observations captured at different times, the goal is to identify changed products and localize each change with a 3D bounding box. To support this task, we introduce ShelfChange3D, comprising 145K synthetic and 5K real-world paired RGB-D observations with object-level 3D change annotations. We further propose ChangeBox, an end-to-end framework that jointly reasons over paired observations and predicts object-level 3D change boxes. To improve localization accuracy, we introduce a geometry-based refinement stage that exploits depth and gravity prior to estimate relative pose and refine predicted boxes. Experiments show that ChangeBox outperforms existing change detection baselines, with further gains from refinement and effective transfer from synthetic to real-world observations.
- Abstract（参考訳）: 信頼性の高い棚の監視は、小売業の自動化にとって重要な機能であるが、既存のストックアウトオブストック検出手法は主に画像空間で動作し、下流ロボットシステムではメートル法的な3Dローカライゼーションが欠如している。
2つのRGB-D観測が異なるタイミングで観測された場合、その目標は、変化した製品を特定し、各変更を3Dバウンディングボックスでローカライズすることである。
この課題を支援するために,145Kの合成および5Kの実世界のRGB-D観測とオブジェクトレベルの3D変化アノテーションを組み合わせたShelfChange3Dを導入する。
さらに、ペア化された観察を共同で理由付け、オブジェクトレベルの3D変更ボックスを予測する、エンドツーエンドフレームワークであるChangeBoxを提案する。
局所化精度を向上させるために,相対的なポーズを推定し,予測ボックスを精査する前に,深さと重力を利用する幾何学ベースの精細化ステージを導入する。
実験によると、ChangeBoxは既存の変化検出ベースラインよりも優れており、改良と合成から実世界の観測への効果的な転送によってさらに向上している。
関連論文リスト
- Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs [62.865932175477035]
計量3Dオブジェクト検出は、エンボディエージェントのコア機能であるが、最も信頼性の高いシステムは深度センサーに頼っている。
提案するMap-Det3Dは,RGBから再構成した3次元空間に直接検出を行うオンラインマルチビュー3Dオブジェクト検出モデルである。
論文 参考訳（メタデータ） (2026-08-12T15:33:42Z) - 3D Scene Change Modeling With Consistent Multi-View Aggregation [18.547603626073585]
SCaR-3Dは、3次元シーン変化検出フレームワークであり、濃密な事前変化画像シーケンスとスパース的な後変化画像からオブジェクトレベルの変化を識別する。
提案手法は, 符号付き距離ベース2次元差分モジュールと, 投票, プルーニングによる多視点アグリゲーションからなる。
また,変化しない領域を保存しながら動的領域を選択的に更新する連続的なシーン再構築戦略も開発している。
論文 参考訳（メタデータ） (2025-12-28T08:00:56Z) - VSRD++: Autolabeling for 3D Object Detection via Instance-Aware Volumetric Silhouette Rendering [18.77072205559739]
VSRD++はモノクル3Dオブジェクト検出のための弱い教師付きフレームワークである。
3Dアノテーションへの依存を排除し、ニューラルフィールドベースのボリュームレンダリングを活用する。
モノクロ3Dオブジェクト検出フェーズでは、最適化された3Dバウンディングボックスが擬似ラベルとして機能する。
論文 参考訳（メタデータ） (2025-12-01T01:28:35Z) - 3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement [2.2122801766964795]
3DGS-CDは3Dシーンにおける物体の物理的配置を検出する最初の3Dガウス散乱(3DGS)に基づく手法である。
提案手法では,異なる時間に撮影された2つの不整合画像を比較して3次元オブジェクトレベルの変化を推定する。
提案手法は,18秒以内のスパース画像を用いて,散在する環境の変化を正確に識別することができる。
論文 参考訳（メタデータ） (2024-11-06T07:08:41Z) - OA-DET3D: Embedding Object Awareness as a General Plug-in for Multi-Camera 3D Object Detection [77.43427778037203]
我々は3Dオブジェクト検出を改善するプラグインモジュールであるOA-DET3Dを紹介する。
OA-DET3Dは、オブジェクト中心の深度情報と前景の擬似点を活用することにより、オブジェクトの表現を高める。
我々は、OA-DET3Dの有効性を検証するために、nuScenesデータセットとArgoverse 2データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-01-13T06:02:31Z) - CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。
我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。
3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
論文 参考訳（メタデータ） (2022-09-13T05:26:09Z) - On the Robustness of 3D Object Detectors [9.467525852900007]
3Dシーンには様々なバリエーションがあり、センサーの不正確さや前処理時の情報損失の傾向があります。
この研究は、一般的なポイントベースの3Dオブジェクト検出器をいくつかのデータ破損に対して分析し、ベンチマークすることを目的としている。
論文 参考訳（メタデータ） (2022-07-20T21:47:15Z) - Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
論文 参考訳（メタデータ） (2021-08-12T15:22:33Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳（メタデータ） (2021-03-09T10:51:24Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳（メタデータ） (2020-08-31T17:10:48Z)
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。