論文の概要: Instance Segmentation of Industrial Point Cloud Data

• arxiv url: http://arxiv.org/abs/2012.14253v1
• Date: Thu, 24 Dec 2020 02:34:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:12:51.767339
• Title: Instance Segmentation of Industrial Point Cloud Data
• Title（参考訳）: 産業用ポイントクラウドデータのインスタンスセグメンテーション
• Authors: Eva Agapaki, Ioannis Brilakis
• Abstract要約: 本稿では,産業施設のオブジェクト指向幾何デジタル双生児(gdts)を効率的に生成する方法について述べる。 我々のこれまでの研究は、最先端のクラスセグメンテーション性能(CLOIデータセットクラスの平均精度75%、平均AUC 90%)を達成した。 我々は,インスタンスセグメンテーションアルゴリズムの使用は,gDTの生成に必要な出力を提供する理論的可能性を持っていると論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The challenge that this paper addresses is how to efficiently minimize the cost and manual labour for automatically generating object oriented geometric Digital Twins (gDTs) of industrial facilities, so that the benefits provide even more value compared to the initial investment to generate these models. Our previous work achieved the current state-of-the-art class segmentation performance (75% average accuracy per point and average AUC 90% in the CLOI dataset classes) as presented in (Agapaki and Brilakis 2020) and directly produces labelled point clusters of the most important to model objects (CLOI classes) from laser scanned industrial data. CLOI stands for C-shapes, L-shapes, O-shapes, I-shapes and their combinations. However, the problem of automated segmentation of individual instances that can then be used to fit geometric shapes remains unsolved. We argue that the use of instance segmentation algorithms has the theoretical potential to provide the output needed for the generation of gDTs. We solve instance segmentation in this paper through (a) using a CLOI-Instance graph connectivity algorithm that segments the point clusters of an object class into instances and (b) boundary segmentation of points that improves step (a). Our method was tested on the CLOI benchmark dataset (Agapaki et al. 2019) and segmented instances with 76.25% average precision and 70% average recall per point among all classes. This proved that it is the first to automatically segment industrial point cloud shapes with no prior knowledge other than the class point label and is the bedrock for efficient gDT generation in cluttered industrial point clouds.
• Abstract（参考訳）: 本論文の課題は、産業施設のオブジェクト指向幾何学的デジタル双極子(gDT)を自動生成するコストと手作業を効率的に最小化する方法であり、これらのモデルを作成するための初期投資と比べてさらに価値を提供する。 これまでの研究は,(Agapaki と Brilakis 2020) で示されたように,現在の最先端クラスセグメンテーション性能(CLOIデータセットクラスの平均75%精度と平均AUC 90%)を達成し,レーザー走査工業データから最も重要なモデルオブジェクト(CLOIクラス)のラベル付きポイントクラスタを直接生成した。 CLOIはC-shapes、L-shapes、O-shapes、I-shapesとそれらの組み合わせを表す。 しかし、幾何学的な形状に適合するために使用できる個々のインスタンスの自動セグメント化の問題はまだ解決されていない。 我々は,インスタンスセグメンテーションアルゴリズムの使用は,gDTの生成に必要な出力を提供する理論的可能性を持っていると論じる。 本稿では、(a)CLOI-Instanceグラフ接続アルゴリズムを用いて、オブジェクトクラスのポイントクラスタをインスタンスに分割し、(b)ステップ(a)を改善するポイントの境界セグメンテーションにより、この論文のインスタンスセグメンテーションを解決する。 この方法はcloiベンチマークデータセット(agapaki et al.)でテストされた。 2019年)とセグメンテーションされたインスタンスは、76.25%の平均精度を持ち、すべてのクラスでポイント当たり平均リコールが70%である。 これは、分類点ラベル以外の知識のない産業用点雲を自動分割するのは初めてであり、散在する産業用点雲における効率的なgDT生成のための基盤岩であることが証明された。

関連論文リスト

• Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
  ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。 一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。 基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T11:24:33Z)
• Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification [52.77024349608834]
  SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。 ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。 40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
  論文  参考訳（メタデータ） (2023-06-13T14:36:06Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• FEC: Fast Euclidean Clustering for Point Cloud Segmentation [9.347963580679162]
  計算要求の少ないクラウドインスタンスセグメンテーションの高速解を提案する。 本稿では,既存の作業で使用されるクラスタワイズ方式に対して,ポイントワイズ方式を適用した新しい高速ユークリッドクラスタリング(FEC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-16T11:30:48Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
  本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。 提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
  論文  参考訳（メタデータ） (2021-03-16T15:58:01Z)
• CLOI: An Automated Benchmark Framework For Generating Geometric Digital Twins Of Industrial Facilities [0.0]
  CLOIはディープラーニングと幾何学的手法を組み合わせて、ポイントをクラスと個々のインスタンスに分割する。 現在の実践状況と比較して、提案フレームワークは平均30%の推定時間節約を実現できます。
  論文  参考訳（メタデータ） (2021-01-05T05:47:08Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• Deep Affinity Net: Instance Segmentation via Affinity [48.498706304017674]
  Deep Affinity Netは、グラフ分割アルゴリズムCascade-GAECを伴って、効果的なアフィニティベースのアプローチである。 すべてのアフィニティベースのモデルの中で、最高のシングルショット結果と最速のランニングタイムを達成する。 また、リージョンベースのMask R-CNNよりも優れています。
  論文  参考訳（メタデータ） (2020-03-15T15:22:56Z)

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。