論文の概要: SASO: Joint 3D Semantic-Instance Segmentation via Multi-scale Semantic
Association and Salient Point Clustering Optimization
- arxiv url: http://arxiv.org/abs/2006.15015v1
- Date: Thu, 25 Jun 2020 08:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 04:35:18.664624
- Title: SASO: Joint 3D Semantic-Instance Segmentation via Multi-scale Semantic
Association and Salient Point Clustering Optimization
- Title(参考訳): SASO:マルチスケールセマンティックアソシエーションとサリアントポイントクラスタリング最適化による3次元セマンティック・セマンティック・セマンティック・セグメンテーション
- Authors: Jingang Tan, Lili Chen, Kangru Wang, Jingquan Peng, Jiamao Li, Xiaolin
Zhang
- Abstract要約: セグメンテーションタスクとインスタンスセグメンテーションタスクを共同で行う,SASOという新しい3Dポイントクラウドセグメンテーションフレームワークを提案する。
空間的文脈におけるオブジェクト間の固有相関から着想を得たセグメンテーションタスクに対して,マルチスケールセマンティックアソシエーション(MSA)モジュールを提案する。
例えば、推論手順のみでクラスタリングを利用する以前の作業とは異なるセグメンテーションタスクでは、Salient Point Clustering Optimization (SPCO) モジュールを提案する。
- 参考スコア(独自算出の注目度): 8.519716460338518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel 3D point cloud segmentation framework named SASO, which
jointly performs semantic and instance segmentation tasks. For semantic
segmentation task, inspired by the inherent correlation among objects in
spatial context, we propose a Multi-scale Semantic Association (MSA) module to
explore the constructive effects of the semantic context information. For
instance segmentation task, different from previous works that utilize
clustering only in inference procedure, we propose a Salient Point Clustering
Optimization (SPCO) module to introduce a clustering procedure into the
training process and impel the network focusing on points that are difficult to
be distinguished. In addition, because of the inherent structures of indoor
scenes, the imbalance problem of the category distribution is rarely considered
but severely limits the performance of 3D scene perception. To address this
issue, we introduce an adaptive Water Filling Sampling (WFS) algorithm to
balance the category distribution of training data. Extensive experiments
demonstrate that our method outperforms the state-of-the-art methods on
benchmark datasets in both semantic segmentation and instance segmentation
tasks.
- Abstract(参考訳): セマンティクスとインスタンスセグメンテーションを共同で実行する,新たな3dポイントクラウドセグメンテーションフレームワークであるsasoを提案する。
意味的セグメンテーションタスクは、空間的文脈におけるオブジェクト間の固有の相関から着想を得たものであり、意味的文脈情報の構成的効果を探索するマルチスケールセマンティックアソシエーション(MSA)モジュールを提案する。
例えば、推論手順でのみクラスタリングを利用する従来の作業とは違い、トレーニングプロセスにクラスタリング手順を導入し、区別が難しい点に着目したネットワークを実現するために、Salient Point Clustering Optimization (SPCO)モジュールを提案する。
また,室内シーンの固有構造から,カテゴリー分布の不均衡問題はほとんど考慮されないが,3次元シーン知覚の性能は著しく制限されている。
そこで本研究では, 適応型水充填サンプリング(wfs)アルゴリズムを導入し, 学習データのカテゴリ分布のバランスをとる。
広範な実験により,本手法は,セマンティクスセグメンテーションとインスタンスセグメンテーションタスクの両方において,ベンチマークデータセットにおける最先端メソッドよりも優れていることが証明された。
関連論文リスト
- P2Seg: Pointly-supervised Segmentation via Mutual Distillation [23.979786026101024]
実例位置と意味情報の相補的強度を利用するための相互蒸留モジュール(MDM)を開発した。
提案手法は,PASCAL VOCおよびMS COCOデータセット上で55.7 mAP$_50$と17.6 mAPを達成する。
論文 参考訳(メタデータ) (2024-01-18T03:41:38Z) - CSL: Class-Agnostic Structure-Constrained Learning for Segmentation
Including the Unseen [62.72636247006293]
クラス非依存構造制約学習(Class-Agnostic Structure-Constrained Learning)は、既存のメソッドと統合可能なプラグインフレームワークである。
OODオブジェクトセグメンテーションを強化するソフトアサインとマスク分割手法を提案する。
実証的な評価は、OODセグメンテーション、ZS3、DAセグメンテーションにまたがる既存のアルゴリズムの性能を向上させるCSLの進歩を示している。
論文 参考訳(メタデータ) (2023-12-09T11:06:18Z) - Towards accurate instance segmentation in large-scale LiDAR point clouds [17.808580509435565]
パノプティックセグメンテーション(英: Panoptic segmentation)は、セグメンテーションとインスタンスセグメンテーションの組み合わせである。
本研究では,オブジェクトインスタンスへのクラスタリング点に関する汎視的セグメンテーションパイプラインのステップについて検討する。
複数の学習点埋め込みを活用するクラスタリング戦略が,インスタンスのセグメンテーションを大幅に改善することがわかった。
論文 参考訳(メタデータ) (2023-07-06T09:29:03Z) - AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。
また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
論文 参考訳(メタデータ) (2023-05-28T16:28:49Z) - Semantic Segmentation-Assisted Instance Feature Fusion for Multi-Level
3D Part Instance Segmentation [17.929866369256555]
本稿では,3次元部分分割のための新しい手法を提案する。
本手法は, セマンティックセグメンテーションを利用して, 中心予測などの非局所的なインスタンス特徴を融合する。
提案手法は,PartNetベンチマークで大きく改善された既存手法よりも優れている。
論文 参考訳(メタデータ) (2022-08-09T13:22:55Z) - Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation
across Disjoint Labels [80.05697343811893]
クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。
変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
論文 参考訳(メタデータ) (2022-08-04T17:57:52Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳(メタデータ) (2022-04-25T02:41:46Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2021-08-28T01:33:38Z) - Semantic Attention and Scale Complementary Network for Instance
Segmentation in Remote Sensing Images [54.08240004593062]
本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。
SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。
SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
論文 参考訳(メタデータ) (2021-07-25T08:53:59Z) - Instance segmentation with the number of clusters incorporated in
embedding learning [15.054120734581826]
本稿では,クラスタリング情報を組込み学習フレームワークFCRNetに組み込むことを提案する。
FCRNetは、クラスタリンググループの数を埋め込み空間に組み込むことで、ポストプロセスの複雑さを和らげる。
FCRNetの優れた性能を検証し、核データセットBBBC006の他の手法と比較した。
論文 参考訳(メタデータ) (2021-03-27T10:03:19Z) - Self-Prediction for Joint Instance and Semantic Segmentation of Point
Clouds [41.75579185647845]
我々は,3次元のインスタンスと点雲のセマンティックセグメンテーションのための新たな学習手法であるSelf-Predictionを開発した。
本手法は,S3DISとShapeNetのインスタンスセグメンテーション結果と,S3DISとShapeNetのセグメンテーション結果に匹敵するセグメンテーション結果を得る。
論文 参考訳(メタデータ) (2020-07-27T07:58:00Z)
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。