論文の概要: Learning Gaussian Instance Segmentation in Point Clouds

• arxiv url: http://arxiv.org/abs/2007.09860v1
• Date: Mon, 20 Jul 2020 03:11:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 13:39:01.849108
• Title: Learning Gaussian Instance Segmentation in Point Clouds
• Title（参考訳）: 点雲におけるガウスインスタンスセグメンテーションの学習
• Authors: Shih-Hung Liu, Shang-Yi Yu, Shao-Chi Wu, Hwann-Tzong Chen, Tyng-Luh Liu
• Abstract要約: 本稿では,3次元点雲の例分割のための新しい手法を提案する。 提案手法はGaussian Instance Center Network (GICN) と呼ばれ, 現場全体に散在するインスタンス中心の分布をGaussian Instance Center Heatmapとして近似することができる。 ScanNetおよびS3DISデータセット上での3次元インスタンスセグメンテーションタスクにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 26.711177503253946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel method for instance segmentation of 3D point clouds. The proposed method is called Gaussian Instance Center Network (GICN), which can approximate the distributions of instance centers scattered in the whole scene as Gaussian center heatmaps. Based on the predicted heatmaps, a small number of center candidates can be easily selected for the subsequent predictions with efficiency, including i) predicting the instance size of each center to decide a range for extracting features, ii) generating bounding boxes for centers, and iii) producing the final instance masks. GICN is a single-stage, anchor-free, and end-to-end architecture that is easy to train and efficient to perform inference. Benefited from the center-dictated mechanism with adaptive instance size selection, our method achieves state-of-the-art performance in the task of 3D instance segmentation on ScanNet and S3DIS datasets.
• Abstract（参考訳）: 本稿では,3次元点雲の例分割法を提案する。 提案手法はGaussian Instance Center Network (GICN) と呼ばれ, 現場全体に散在するインスタンス中心の分布をガウス中心ヒートマップとして近似することができる。 予測されたヒートマップに基づいて、後続の予測に対して、効率性を含む少数の中心候補を容易に選択できる。 一 特徴抽出の範囲を決定するために各センターのインスタンスサイズを予測すること。 二 センターのバウンディングボックスの作成、及び 三 最終例マスクの作成 GICNはシングルステージ、アンカーフリー、エンドツーエンドのアーキテクチャで、トレーニングが容易で、推論を効率的に行うことができる。 ScanNetおよびS3DISデータセット上での3Dインスタンスセグメンテーションのタスクにおいて,適応型インスタンスサイズ選択を伴う中心決定機構を応用し,最先端の性能を実現する。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• AutoInst: Automatic Instance-Based Segmentation of LiDAR 3D Scans [41.17467024268349]
  3D環境を理解するには、きめ細かい風景を理解する必要がある。 教師なしの方法で3次元シーンのインスタンスセグメンテーションを予測することを提案する。 平均精度は13.3%,F1スコアは9.1%向上した。
  論文  参考訳（メタデータ） (2024-03-24T22:53:16Z)
• 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)
• 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)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• MaskGroup: Hierarchical Point Grouping and Masking for 3D Instance Segmentation [36.28586460186891]
  本稿では,ロボット工学や拡張現実といった現実的な応用の多種多様な3Dインスタンスセグメンテーション問題について検討する。 本稿では,3Dインスタンスをグループ化し,洗練するための新しいフレームワークを提案する。 提案手法は,ScanNetV2テストセットの0.5IoU閾値で66.4%のmAPを達成する。
  論文  参考訳（メタデータ） (2022-03-28T11:22:58Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)

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。