点群に対する変形および対応を意識した教師なし合成対現実シーンフロー推定【JST・京大機械翻訳】

Jin Zhao; Lei Yinjie; Akhtar Naveed; Li Haifeng; Hayat Munawar

プレプリント

J-GLOBAL ID：202202218661055413 整理番号：22P0323116

点群に対する変形および対応を意識した教師なし合成対現実シーンフロー推定【JST・京大機械翻訳】

Deformation and Correspondence Aware Unsupervised Synthetic-to-Real Scene Flow Estimation for Point Clouds

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月31日プレプリントサーバーでの情報更新日： 2022年03月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ポイントクラウドシーンフロー推定は,自律運転における動的場面ナビゲーションのために実際的に重要である。シーンフローラベルは取得が難しいので,現在の方法は,それらのモデルを合成データに訓練し,それらを実際のシーンに転送する。しかしながら,既存の合成データセットと実情景の間の大きな格差は,貧弱なモデル転送につながる。著者らは,2つの主要な貢献を,それに取り組むために行った。最初に,GTA-Vエンジンのためのポイントクラウドコレクタとシーンフロー注釈器を開発し,人間の介入なしで多様な現実的訓練サンプルを自動的に得た。それとともに,大規模合成シーンフローデータセットGTA-SFを開発した。第二に,ターゲット領域の自己生成擬似ラベルを利用する平均教師ベースドメイン適応フレームワークを提案した。また,形状変形正則化と表面対応精密化を明示的に組み込んで,ドメイン移動における歪みと不整合に対処した。広範な実験を通して,GTA-SFデータセットは,最も広く使用されたFT3Dデータセットと比較して,3つの実データセット(即ち,Waymo,LyftおよびKITTI)に対するモデル一般化における一貫したブーストに導くことを示した。さらに,このフレームワークは,6つのソースターゲットデータセット対上で優れた適応性能を達成し,平均ドメインギャップを60%まで著しく閉鎖した。データとコードは,https://github.com/leolyj/DCA SRSFEで利用可能である。【JST・京大機械翻訳】

, , , , , , ,
, , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, , , , , ,

前のページに戻る