論文の概要: CGPart: A Part Segmentation Dataset Based on 3D Computer Graphics Models
- arxiv url: http://arxiv.org/abs/2103.14098v1
- Date: Thu, 25 Mar 2021 19:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:48:55.342452
- Title: CGPart: A Part Segmentation Dataset Based on 3D Computer Graphics Models
- Title（参考訳）: CGPart:3次元コンピュータグラフィックスモデルに基づく部分分割データセット
- Authors: Qing Liu, Adam Kortylewski, Zhishuai Zhang, Zizhang Li, Mengqi Guo,
Qihao Liu, Xiaoding Yuan, Jiteng Mu, Weichao Qiu, Alan Yuille
- Abstract要約: CGPartは3DCADモデル、合成画像、実際のテスト画像に関する詳細なアノテーションを提供する。
CGPartには、$ 5$の車両カテゴリをカバーする221$ 3D CADモデルが含まれています。
これらのCADモデルから168,000ドル(約1万6000円)の合成画像を作成しています。
- 参考スコア（独自算出の注目度）: 19.691187561807475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Part segmentations provide a rich and detailed part-level description of
objects, but their annotation requires an enormous amount of work. In this
paper, we introduce CGPart, a comprehensive part segmentation dataset that
provides detailed annotations on 3D CAD models, synthetic images, and real test
images. CGPart includes $21$ 3D CAD models covering $5$ vehicle categories,
each with detailed per-mesh part labeling. The average number of parts per
category is $24$, which is larger than any existing datasets for part
segmentation on vehicle objects. By varying the rendering parameters, we make
$168,000$ synthetic images from these CAD models, each with automatically
generated part segmentation ground-truth. We also annotate part segmentations
on $200$ real images for evaluation purposes. To illustrate the value of
CGPart, we apply it to image part segmentation through unsupervised domain
adaptation (UDA). We evaluate several baseline methods by adapting
top-performing UDA algorithms from related tasks to part segmentation.
Moreover, we introduce a new method called Geometric-Matching Guided domain
adaptation (GMG), which leverages the spatial object structure to guide the
knowledge transfer from the synthetic to the real images. Experimental results
demonstrate the advantage of our new algorithm and reveal insights for future
improvement. We will release our data and code.
- Abstract（参考訳）: 部分セグメンテーションは、オブジェクトのリッチで詳細な部分レベルの記述を提供するが、アノテーションには膨大な作業が必要である。
本稿では,3次元CADモデル,合成画像,実画像の詳細なアノテーションを提供する包括的部分分割データセットであるCGPartを紹介する。
CGPartには5ドル(約5,800円)の車種をカバーする21ドルのCADモデルが含まれている。
カテゴリーごとの部品数の平均は24ドルであり、車載オブジェクトの部品セグメンテーションのための既存のデータセットよりも大きい。
レンダリングパラメータを変化させることで,これらのCADモデルから168,000ドルの合成画像を生成する。
また、評価目的で200ドルの実画像に部分セグメンテーションをアノテートします。
cgpart の値を説明するために,unsupervised domain adaptation (uda) による画像部分セグメンテーションに適用する。
関連タスクから部分セグメンテーションへのトップパフォーマンスUDAアルゴリズムの適用により,いくつかのベースライン手法を評価する。
さらに、空間オブジェクト構造を利用して、合成画像から実画像への知識伝達をガイドする、Geometric-Matching Guided Domain adaptation (GMG)と呼ばれる新しい手法を導入する。
実験結果は,新しいアルゴリズムの利点を示し,今後の改善に向けた知見を明らかにする。
データとコードをリリースします。
関連論文リスト
- SAMPart3D: Segment Any Part in 3D Objects [23.97392239910013]
3D部分のセグメンテーションは、3D知覚において重要な課題であり、ロボット工学、3D生成、および3D編集などのアプリケーションにおいて重要な役割を果たす。
最近の手法では、2次元から3次元の知識蒸留に強力なビジョン言語モデル(VLM)を用いており、ゼロショットの3次元部分分割を実現している。
本研究では,任意の3Dオブジェクトを複数の粒度のセマンティックな部分に分割する,スケーラブルなゼロショット3D部分分割フレームワークであるSAMPart3Dを紹介する。
論文 参考訳（メタデータ） (2024-11-11T17:59:10Z) - Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。
ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。
クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
論文 参考訳（メタデータ） (2024-05-27T07:10:21Z) - SAM-guided Graph Cut for 3D Instance Segmentation [60.75119991853605]
本稿では,3次元画像情報と多視点画像情報の同時利用による3次元インスタンス分割の課題に対処する。
本稿では,3次元インスタンスセグメンテーションのための2次元セグメンテーションモデルを効果的に活用する新しい3D-to-2Dクエリフレームワークを提案する。
本手法は,ロバストなセグメンテーション性能を実現し,異なるタイプのシーンにまたがる一般化を実現する。
論文 参考訳（メタデータ） (2023-12-13T18:59:58Z) - 3DCoMPaT$^{++}$: An improved Large-scale 3D Vision Dataset for
Compositional Recognition [53.97029821609132]
3DCoMPaT$++$は、1000万以上のスタイリングされた3D形状の1億6000万レンダリングビューを備えたマルチモーダル2D/3Dデータセットである。
我々は,3Dオブジェクトの部品の合成を総合的に認識し,グラウンドドコMPaT認識(GCR)と呼ばれる新しいタスクを導入する。
論文 参考訳（メタデータ） (2023-10-27T22:01:43Z) - A One Stop 3D Target Reconstruction and multilevel Segmentation Method [0.0]
オープンソースのワンストップ3Dターゲット再構成とマルチレベルセグメンテーションフレームワーク(OSTRA)を提案する。
OSTRAは2D画像上でセグメンテーションを行い、画像シーケンス内のセグメンテーションラベルで複数のインスタンスを追跡し、ラベル付き3Dオブジェクトまたは複数のパーツをMulti-View Stereo(MVS)またはRGBDベースの3D再構成手法で再構成する。
本手法は,複雑なシーンにおいて,リッチなマルチスケールセグメンテーション情報に埋め込まれた3次元ターゲットを再構築するための新たな道を開く。
論文 参考訳（メタデータ） (2023-08-14T07:12:31Z) - Inferring and Leveraging Parts from Object Shape for Improving Semantic
Image Synthesis [64.05076727277431]
本稿では、オブジェクトShapE(iPOSE)からパーツを推論し、セマンティック画像合成の改善に活用する。
我々は、事前に定義されたサポート部分マップのガイダンスを用いて、オブジェクト部分マップを予測するPartNetを学習する。
実験の結果,iPOSEは細部が豊富なオブジェクトを生成するだけでなく,画像合成を柔軟に制御できることがわかった。
論文 参考訳（メタデータ） (2023-05-31T04:27:47Z) - GAPartNet: Cross-Category Domain-Generalizable Object Perception and
Manipulation via Generalizable and Actionable Parts [28.922958261132475]
我々はGAParts(Generalizable and Actionable Parts)を通してクロスカテゴリスキルを学ぶ
GAPartNetに基づいて,部分分割,部分ポーズ推定,部分ベースオブジェクト操作という3つのクロスカテゴリタスクについて検討する。
本手法は,見知らぬカテゴリーによらず,既存の手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2022-11-10T00:30:22Z) - PartImageNet: A Large, High-Quality Dataset of Parts [16.730418538593703]
パートセグメンテーションアノテーションを備えた高品質なデータセットであるPartImageNetを提案する。
PartImageNetは、非厳密で明示的なオブジェクトを持つ一般的なクラスのセットに、部分レベルのアノテーションを提供するため、ユニークなものだ。
複数の視覚タスクで使用できるが、制限はない:Part Discovery、Few-shot Learning。
論文 参考訳（メタデータ） (2021-12-02T02:12:03Z) - 3D Compositional Zero-shot Learning with DeCompositional Consensus [102.7571947144639]
我々は、部分的知識は観察されたオブジェクトクラスを超えて構成可能であるべきだと論じる。
本稿では、視覚から見えないオブジェクトクラスへの部分一般化の問題として、3D合成ゼロショット学習を提案する。
論文 参考訳（メタデータ） (2021-11-29T16:34:53Z) - Learning Geometry-Disentangled Representation for Complementary
Understanding of 3D Object Point Cloud [50.56461318879761]
3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。
GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。
3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
論文 参考訳（メタデータ） (2020-12-20T13:35:00Z)
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。