論文の概要: LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2103.09160v1
• Date: Tue, 16 Mar 2021 15:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 16:04:29.573623
• Title: LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation
• Title（参考訳）: LRGNet: クラス非依存のクラウドセグメンテーションのために成長する学習可能な領域
• Authors: Jingdao Chen, Zsolt Kira, and Yong K. Cho
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.915593390338337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud segmentation is an important function that helps robots understand the layout of their surrounding environment and perform tasks such as grasping objects, avoiding obstacles, and finding landmarks. Current segmentation methods are mostly class-specific, many of which are tuned to work with specific object categories and may not be generalizable to different types of scenes. This research proposes a learnable region growing method for class-agnostic point cloud segmentation, specifically for the task of instance label prediction. The proposed method is able to segment any class of objects using a single deep neural network without any assumptions about their shapes and sizes. The deep neural network is trained to predict how to add or remove points from a point cloud region to morph it into incrementally more complete regions of an object instance. Segmentation results on the S3DIS and ScanNet datasets show that the proposed method outperforms competing methods by 1%-9% on 6 different evaluation metrics.
• Abstract（参考訳）: 3Dポイントクラウドセグメンテーションは、ロボットが周囲の環境のレイアウトを理解し、物体の把握、障害物の回避、ランドマークの発見などのタスクを実行するのを助ける重要な機能である。 現在のセグメンテーション法は主にクラス固有であり、その多くは特定のオブジェクトカテゴリで動作するように調整されており、異なるタイプのシーンには一般化できない。 本研究では,クラス非依存なポイントクラウドセグメンテーションのための学習可能な領域拡大手法を提案する。 提案手法では, 形状や大きさを仮定することなく, 単一のディープニューラルネットワークを用いて任意の種類のオブジェクトを分割することができる。 ディープニューラルネットワークは、ポイントクラウド領域からポイントを追加または削除して、オブジェクトインスタンスの漸進的に完全なリージョンに変形する方法を予測するためにトレーニングされる。 S3DISデータセットとScanNetデータセットのセグメンテーション結果から,提案手法は6つの評価指標に対して競合手法を1%-9%上回る性能を示した。

関連論文リスト

• Deep Learning-Based 3D Instance and Semantic Segmentation: A Review [0.0]
  3Dセグメンテーションは、かなり冗長性があり、サンプル密度が変動し、組織が不足しているため、ポイントクラウドデータでは困難である。 ディープラーニングは、一般的なAI手法として、2次元視覚領域のスペクトルにうまく使われてきた。 本研究では3Dインスタンスとセマンティックセグメンテーションに提示された多くの戦略について検討する。
  論文  参考訳（メタデータ） (2024-06-19T07:56:14Z)
• 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)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• Few-Shot 3D Point Cloud Semantic Segmentation via Stratified Class-Specific Attention Based Transformer Network [22.9434434107516]
  数ショットのクラウド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新しい多層トランスフォーマーネットワークを開発した。 提案手法は,既存の数ショットの3Dポイントクラウドセグメンテーションモデルよりも15%少ない推論時間で,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T00:27:54Z)
• PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification [18.466814193413487]
  ポイントクラウドのセグメンテーションと分類は、3Dコンピュータビジョンの主要なタスクである。 本稿では,残差ブロックベースアプローチであるPointResNetを提案する。 我々のモデルは、セグメント化と分類タスクのためのディープニューラルネットワークを用いて、3Dポイントを直接処理する。
  論文  参考訳（メタデータ） (2022-11-20T17:39:48Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  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SemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• FPCC: Fast Point Cloud Clustering for Instance Segmentation [4.007351600492542]
  ビンピッキングシーンの3Dポイントクラウドインスタンスセグメンテーションについてはほとんど研究されていない。 各インスタンスのフィーチャーセンターを推論し、残りのポイントをクラスタ化するネットワーク(FPCC-Net)を提案する。 FPCC-Netは平均精度(AP)を約40%改善し,約6万ポイントを約0.8秒で処理できることが示されている。
  論文  参考訳（メタデータ） (2020-12-29T05:58:35Z)
• Weakly-Supervised Semantic Segmentation via Sub-category Exploration [73.03956876752868]
  我々は、オブジェクトの他の部分に注意を払うために、ネットワークを強制する単純で効果的なアプローチを提案する。 具体的には、画像の特徴をクラスタリングして、アノテーション付き親クラスごとに擬似サブカテゴリラベルを生成する。 提案手法の有効性を検証し,提案手法が最先端手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2020-08-03T20:48:31Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

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。