抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ポイントベースネットワークが3Dポイントクラウドモデリングのために正確であることを実証したが,それらは3D検出においてそれらのボクセルベースの競合者にまだ落下している。ダウンサンプリングポイントに対する一般的集合抽象設計は,オブジェクトを検出するための特徴学習に影響を与えることができる,非常に多くの重要でないバックグラウンド情報を維持する可能性があることを観測した。この課題に取り組むために,著者らは,セマンティック-拡張集合抽象(SASA)という名の新しい集合抽象法を提案した。技術的に,著者らは最初に,前景点を同定するのを助けるために,側面出力としてバイナリセグメンテーションモジュールを加えた。推定点ごとの前景スコアに基づいて,次に,ダウンサンプリングの間,より重要な前景点を保持するのを助けるために,意味論誘導点サンプリングアルゴリズムを提案した。実際に,SASAは,前景オブジェクトに関連した貴重な点を同定し,点ベースの3D検出のための特徴学習を改善するのに有効であることを示す。さらに,それは,単一段階と2段階のものを含む,容易にプラグインモジュールであり,様々な点ベース検出器をブーストできる。ポピュラーなKITTIとnuSceneデータセットに関する大規模な実験は,最先端のボクセルベースの方法に匹敵する性能に達するために,SASA,リフティングポイントベースの検出モデルの優位性を証明した。【JST・京大機械翻訳】