論文の概要: MonoMIP: Multi-Height Inverse Perspective Mapping for Monocular 3D Object Detection

• arxiv url: http://arxiv.org/abs/2610.19071v1
• Date: Tue, 13 Oct 2026 19:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.767021
• Title: MonoMIP: Multi-Height Inverse Perspective Mapping for Monocular 3D Object Detection
• Title（参考訳）: MonoMIP:モノクロ3次元物体検出のためのマルチハイ・リバース・パースペクティブマッピング
• Abstract要約: 本研究では,Bird's-Eye View機能による3次元幾何学的推論を補完する2次元デコーダフレームワークMonoMIPを提案する。 我々は地上から屋上にかけてのK高度面においてIPMを行い、高度条件付きBEV特徴の順序付きスタックを生成する。 マルチスケールの変形可能なアテンションを持つBEVデコーダはクエリ毎にこのマルチハイトエビデンスを集約し、奥行き誘導3Dデコーダは補完的な視点空間予測を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 3D object detection methods increasingly rely on depth-guided transformers, but they operate entirely in the perspective image plane where spatial relationships are distorted by foreshortening. We propose MonoMIP, a dual-decoder framework that adds complementary 3D geometric reasoning through Bird's-Eye View (BEV) features constructed via Multi-Height Inverse Perspective Mapping. We perform IPM at K elevation planes spanning ground to rooftop, producing an ordered stack of height-conditioned metric BEV features that reduces above-ground misprojection and exposes depth-dependent appearance variation across planes. A BEV decoder with multi-scale deformable attention aggregates this multi-height evidence per query, while a depth-guided 3D decoder provides complementary perspective-space predictions. Without extra training data, MonoMIP attains 25.84% Moderate AP3D|R40 on KITTI val and 21.66% on the official test set for Car, outperforming recent published monocular methods on both the KITTI and Waymo benchmarks.
• Abstract（参考訳）: モノクロ3Dオブジェクト検出法は、深度誘導型トランスフォーマーにますます依存するが、空間的関係がフォアホーテンによって歪む視点画像平面で完全に機能する。 マルチハイト逆パースペクティブマッピングによって構築されたBird's-Eye View(BEV)機能を通じて,補足的な3次元幾何学的推論を付加する2次元デコーダフレームワークであるMonoMIPを提案する。 我々は地上から屋上にかけてのK高度面においてIPMを行い、地上での誤射を低減し、平面間の深度依存的な外観変化を露呈する高度条件付き計量BEV特徴の順序付きスタックを生成する。 マルチスケールの変形可能なアテンションを持つBEVデコーダはクエリ毎にこのマルチハイトエビデンスを集約し、奥行き誘導3Dデコーダは補完的な視点空間予測を提供する。 追加のトレーニングデータなしでは、MonoMIPは、KITTI valで25.84%のモードレートAP3D|R40、Carの公式テストセットで21.66%を獲得し、KITTIとWaymoのベンチマークで最近発表されたモノラルな手法を上回っている。

関連論文リスト

• MonoDGP: Monocular 3D Object Detection with Decoupled-Query and Geometry-Error Priors [24.753860375872215]
  本稿では,MonoDGPと呼ばれるトランスフォーマーを用いたモノクロ3Dオブジェクト検出手法を提案する。 射影公式を変更するために、パースペクティブ不変幾何誤差を採用する。 提案手法は, 余分なデータを必要としないKITTIベンチマークにおいて, 最先端の性能を示す。
  論文  参考訳（メタデータ） (2024-10-25T14:31:43Z)
• 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)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• CoBEV: Elevating Roadside 3D Object Detection with Depth and Height Complementarity [34.025530326420146]
  我々は、新しいエンドツーエンドのモノクロ3Dオブジェクト検出フレームワークであるComplementary-BEVを開発した。 道路カメラを用いたDAIR-V2X-IとRope3Dの公開3次元検出ベンチマークについて広範な実験を行った。 カメラモデルのAPスコアが初めてDAIR-V2X-Iで80%に達する。
  論文  参考訳（メタデータ） (2023-10-04T13:38:53Z)
• Bridging Stereo Geometry and BEV Representation with Reliable Mutual Interaction for Semantic Scene Completion [45.171150395915056]
  3Dセマンティックシーン補完(SSC)は、限られた観測から密集した3Dシーンを推定する必要がある不適切な認識課題である。 従来のカメラベースの手法は、固有の幾何学的曖昧さと不完全な観察のため、正確なセマンティックシーンを予測するのに苦労した。 我々は,SSCにおけるステレオマッチング技術と鳥眼ビュー(BEV)表現学習を利用して,そのような問題に対処する。
  論文  参考訳（メタデータ） (2023-03-24T12:33:44Z)
• M3DSSD: Monocular 3D Single Stage Object Detector [82.25793227026443]
  特徴アライメントと非対称非局所的注意を有するモノクロ3次元単段物体検出器(M3DSSD)を提案する。 提案したM3DSSDは,KITTIデータセット上のモノラルな3Dオブジェクト検出手法よりも大幅に性能が向上する。
  論文  参考訳（メタデータ） (2021-03-24T13:09:11Z)
• 3D Crowd Counting via Geometric Attention-guided Multi-View Fusion [50.520192402702015]
  本稿では,3次元シーンレベルの密度マップと3次元特徴融合により,多視点群カウントタスクを解くことを提案する。 2D融合と比較すると、3D融合はz次元(高さ)に沿った人々のより多くの情報を抽出し、複数のビューにわたるスケールの変動に対処するのに役立つ。 3D密度マップは、和がカウントである2D密度マップの特性を保ちながら、群衆密度に関する3D情報も提供する。
  論文  参考訳（メタデータ） (2020-03-18T11:35:11Z)

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。