論文の概要: SRG-Net: Unsupervised Segmentation for Terracotta Warrior Point Cloud
with 3D Pointwise CNN methods
- arxiv url: http://arxiv.org/abs/2012.00433v1
- Date: Tue, 1 Dec 2020 12:02:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 09:33:14.529686
- Title: SRG-Net: Unsupervised Segmentation for Terracotta Warrior Point Cloud
with 3D Pointwise CNN methods
- Title(参考訳): SRG-Net: 3D Pointwise CNN法によるTerracotta Warrior Point Cloudの教師なしセグメンテーション
- Authors: Yao Hu, Guohua Geng, Kang Li, Wei Zhou, Xingxing Hao, Xin Cao
- Abstract要約: テラコッタ戦士の3次元点雲を用いた非教師なし部分分割のためのシードリージョン成長型CNN(SRG-Net)を提案する。
提案するSRG-Netは, タラコッタ戦士のデータとShapeNetのベンチマークデータセットを用いて, 結合(mIoU)と遅延の平均交点を測定して評価した。
- 参考スコア(独自算出の注目度): 21.823500757655065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a seed-region-growing CNN(SRG-Net) for unsupervised
part segmentation with 3D point clouds of terracotta warriors. Previous neural
network researches in 3D are mainly about supervised classification,
clustering, unsupervised representation and reconstruction. There are few
researches focusing on unsupervised point cloud part segmentation. To address
these problems, we present a seed-region-growing CNN(SRG-Net) for unsupervised
part segmentation with 3D point clouds of terracotta warriors. Firstly, we
propose our customized seed region growing algorithm to coarsely segment the
point cloud. Then we present our supervised segmentation and unsupervised
reconstruction networks to better understand the characteristics of 3D point
clouds. Finally, we combine the SRG algorithm with our improved CNN using a
refinement method called SRG-Net to conduct the segmentation tasks on the
terracotta warriors. Our proposed SRG-Net are evaluated on the terracotta
warriors data and the benchmark dataset of ShapeNet with measuring mean
intersection over union(mIoU) and latency. The experimental results show that
our SRG-Net outperforms the state-of-the-art methods. Our code is available at
https://github.com/hyoau/SRG-Net.
- Abstract(参考訳): 本稿では,terracotta warriorsの3dポイントクラウドを用いた非教師なし部分セグメンテーションのためのシード領域成長cnn(srg-net)を提案する。
3dにおける従来のニューラルネットワークの研究は、主に教師付き分類、クラスタリング、教師なし表現、再構成に関するものである。
教師なしのポイントクラウド部分のセグメンテーションに焦点を当てた研究は少ない。
これらの問題に対処するために,terracotta warriorsの3dポイントクラウドを用いた非教師なし部分セグメンテーションのためのシード領域成長型cnn(srg-net)を提案する。
まず,大まかにポイントクラウドを分割する独自のシード領域成長アルゴリズムを提案する。
次に,3次元点雲の特性をよりよく理解するために,教師ありセグメント化と教師なし再構成ネットワークを提案する。
最後に、SRGアルゴリズムと改良されたCNNをSRG-Netと呼ばれる改良手法で組み合わせ、テラコッタ戦士のセグメンテーション作業を行う。
提案するSRG-Netは, タラコッタ戦士のデータとShapeNetのベンチマークデータセットを用いて, 結合平均交点(mIoU)と遅延の測定を行った。
実験の結果,SRG-Netは最先端手法よりも優れていた。
私たちのコードはhttps://github.com/hyoau/srg-netで利用可能です。
関連論文リスト
- Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised
Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。
分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文 参考訳(メタデータ) (2022-01-20T15:04:12Z) - LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using
Permutohedral Lattices [27.048998326468688]
深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。
本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。
本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
論文 参考訳(メタデータ) (2021-08-09T10:17:27Z) - Unsupervised Segmentation for Terracotta Warrior with
Seed-Region-Growing CNN(SRG-Net) [21.823500757655065]
清文天皇陵遺跡博物館のテラコッタ戦士の修理作業は、専門家によって手作業で行われている。
テラコッタ戦士の3Dポイントクラウドデータを自動的に分割し、フラグメントデータをデータベースに格納したいと思っています。
提案するSRG-Netは,テラコッタ戦士のデータとShapeNetデータセットを用いて,精度とレイテンシを計測して評価する。
論文 参考訳(メタデータ) (2021-07-28T04:50:27Z) - Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
意味点クラウドセグメンテーションネットワークをトレーニングする。
同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。
ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文 参考訳(メタデータ) (2021-07-23T14:34:57Z) - SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network
for 3D Indoor Scenes [6.3364439467281315]
本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。
具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
論文 参考訳(メタデータ) (2021-07-08T04:43:21Z) - Exploiting Local Geometry for Feature and Graph Construction for Better
3D Point Cloud Processing with Graph Neural Networks [22.936590869919865]
グラフニューラルネットワークの一般枠組みにおける点表現と局所近傍グラフ構築の改善を提案する。
提案されたネットワークは、トレーニングの収束を高速化する。
分類のための40%のより少ないエポック。
論文 参考訳(メタデータ) (2021-03-28T21:34:59Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳(メタデータ) (2020-07-04T13:57:43Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-06-06T02:46:39Z)
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。