論文の概要: A novel tree-structured point cloud dataset for skeletonization algorithm evaluation

• arxiv url: http://arxiv.org/abs/2001.02823v1
• Date: Thu, 9 Jan 2020 03:35:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:58:18.290495
• Title: A novel tree-structured point cloud dataset for skeletonization algorithm evaluation
• Title（参考訳）: 骨格化アルゴリズム評価のための新しい木構造点クラウドデータセット
• Authors: Yan Lin and Ji Liu and Jianlin Zhou
• Abstract要約: 我々は、地上の真実のスケルトンやポイントクラウドモデルを含む、まったく新しいツリー構造化のポイントクラウドデータセットを構築します。 4種類のポイントクラウドがクリーンポイントクラウド上に構築されている。ノイズのあるポイントクラウド、データ不足のポイントクラウド、密度の異なるポイントクラウド、密度分布の不均一なポイントクラウドである。 このデータセットは、骨格抽出アルゴリズムの標準データセットとして使用することができる。
• 参考スコア（独自算出の注目度）: 15.275934615615308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curve skeleton extraction from unorganized point cloud is a fundamental task of computer vision and three-dimensional data preprocessing and visualization. A great amount of work has been done to extract skeleton from point cloud. but the lack of standard datasets of point cloud with ground truth skeleton makes it difficult to evaluate these algorithms. In this paper, we construct a brand new tree-structured point cloud dataset, including ground truth skeletons, and point cloud models. In addition, four types of point cloud are built on clean point cloud: point clouds with noise, point clouds with missing data, point clouds with different density, and point clouds with uneven density distribution. We first use tree editor to build the tree skeleton and corresponding mesh model. Since the implicit surface is sufficiently expressive to retain the edges and details of the complex branches model, we use the implicit surface to model the triangular mesh. With the implicit surface, virtual scanner is applied to the sampling of point cloud. Finally, considering the challenges in skeleton extraction, we introduce different methods to build four different types of point cloud models. This dataset can be used as standard dataset for skeleton extraction algorithms. And the evaluation between skeleton extraction algorithms can be performed by comparing the ground truth skeleton with the extracted skeleton.
• Abstract（参考訳）: 不整点雲からの曲線スケルトン抽出はコンピュータビジョンと3次元データ前処理と可視化の基本課題である。 ポイントクラウドからスケルトンを抽出するために、多くの作業が行われました。 しかし 地上の真実の骨格を持つ 点雲の標準データセットが 欠如しているため これらのアルゴリズムを評価するのが困難です 本稿では,地上の真理スケルトンや点クラウドモデルを含む,新たなツリー構造化点クラウドデータセットを構築する。 さらに、4種類のポイントクラウドがクリーンポイントクラウド上に構築されている。ノイズのあるポイントクラウド、データ不足のポイントクラウド、密度の異なるポイントクラウド、密度分布の不均一なポイントクラウドである。 まずツリーエディタを使ってツリースケルトンと対応するメッシュモデルを構築します。 暗黙曲面は複素分岐モデルのエッジと詳細を保持するのに十分表現できるので、暗黙曲面を用いて三角メッシュをモデル化する。 暗黙的な表面では、仮想スキャナがポイントクラウドのサンプリングに適用される。 最後に,スケルトン抽出の課題を考慮し,4種類のポイントクラウドモデルを構築するための異なる手法を提案する。 このデータセットは、骨格抽出アルゴリズムの標準データセットとして使用できる。 また, 抽出した骨格と比較することにより, 骨格抽出アルゴリズム間の評価を行うことができる。

関連論文リスト

• SPEAL: Skeletal Prior Embedded Attention Learning for Cross-Source Point Cloud Registration [20.32815928095936]
  ポイントクラウドの登録は、クロスソースのポイントクラウドと非構造化のシーンでほとんど探索されていない。 そこで我々は,SPEALと呼ばれる新しい手法を提案し,スケルトン表現を利用して点雲の固有位相を効果的に学習する。 我々の知識を最大限に活用するために、我々のアプローチは骨格幾何学的な先行した点雲の登録を容易にする最初の方法である。
  論文  参考訳（メタデータ） (2023-12-14T05:35:51Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• Deep Geometry Post-Processing for Decompressed Point Clouds [32.72083309729585]
  ポイントクラウド圧縮は、データストレージと送信の膨大なコストを削減する上で重要な役割を果たす。 本稿では,非圧縮点雲を強化するための学習に基づくポストプロセッシング手法を提案する。 実験の結果,提案手法は圧縮点雲の品質を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-04-29T08:57:03Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• VoxelContext-Net: An Octree based Framework for Point Cloud Compression [20.335998518653543]
  静的および動的ポイントクラウド圧縮のための2段階のディープラーニングフレームワークvoxelcontext-netを提案する。 まず,構築したオクツリーの各ノードの空間近傍コンテキスト情報を符号化した局所ボクセル表現を抽出する。 エントロピー符号化の段階では,非リーフノードのシンボルを圧縮するボクセルコンテキストに基づくディープエントロピーモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-05T16:12:48Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。