論文の概要: Panoptic-PolarNet: Proposal-free LiDAR Point Cloud Panoptic Segmentation
- arxiv url: http://arxiv.org/abs/2103.14962v1
- Date: Sat, 27 Mar 2021 18:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 15:05:26.799059
- Title: Panoptic-PolarNet: Proposal-free LiDAR Point Cloud Panoptic Segmentation
- Title（参考訳）: Panoptic-PolarNet: 提案なしのLiDARポイントクラウドパノプティクスセグメンテーション
- Authors: Zixiang Zhou, Yang Zhang, Hassan Foroosh
- Abstract要約: 我々は、Panoptic-PolarNetと呼ばれる高速で堅牢なLiDARポイントクラウドパノラマセグメンテーションフレームワークを提示します。
ポーラバードのアイビュー表現を用いて,セマンティックセグメンテーションとクラス非依存のインスタンスクラスタリングの両方を単一推論ネットワークで学習する。
実験の結果,Panoptic-PolarNetは,Semantic KITTIおよびnuScenesデータセットのベースライン手法をほぼリアルタイムな推論速度で上回っていることがわかった。
- 参考スコア（独自算出の注目度）: 21.296942497092402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Panoptic segmentation presents a new challenge in exploiting the merits of
both detection and segmentation, with the aim of unifying instance segmentation
and semantic segmentation in a single framework. However, an efficient solution
for panoptic segmentation in the emerging domain of LiDAR point cloud is still
an open research problem and is very much under-explored. In this paper, we
present a fast and robust LiDAR point cloud panoptic segmentation framework,
referred to as Panoptic-PolarNet. We learn both semantic segmentation and
class-agnostic instance clustering in a single inference network using a polar
Bird's Eye View (BEV) representation, enabling us to circumvent the issue of
occlusion among instances in urban street scenes. To improve our network's
learnability, we also propose an adapted instance augmentation technique and a
novel adversarial point cloud pruning method. Our experiments show that
Panoptic-PolarNet outperforms the baseline methods on SemanticKITTI and
nuScenes datasets with an almost real-time inference speed. Panoptic-PolarNet
achieved 54.1% PQ in the public SemanticKITTI panoptic segmentation leaderboard
and leading performance for the validation set of nuScenes.
- Abstract（参考訳）: panoptic segmentationは、単一のフレームワークでインスタンスセグメンテーションとセマンティクスセグメンテーションを統合することを目的として、検出とセグメンテーションの両方の利点を利用するための新しい課題を提示している。
しかし、LiDAR点雲の新興領域におけるパノプティカルセグメンテーションの効率的な解法は、まだオープンな研究問題であり、非常に未探索である。
本稿では,Panoptic-PolarNetと呼ばれる高速で堅牢なLiDAR点雲分割フレームワークを提案する。
本研究では,単一推論ネットワークにおけるセマンティックセグメンテーションとクラス非依存のインスタンスクラスタリングの両方を極鳥のアイビュー(BEV)表現を用いて学習し,都市の街路シーンにおけるインスタンス間の閉塞の問題を回避する。
また,ネットワークの学習性を向上させるために,適応型インスタンス拡張手法と,新しい逆点クラウドプルーニング手法を提案する。
実験の結果,Panoptic-PolarNetはSemanticKITTIおよびnuScenesデータセットのベースライン手法をほぼリアルタイムな推論速度で上回ることがわかった。
Panoptic-PolarNet は 54.1% の PQ を SemanticKITTI Panoptic segmentation leaderboard で達成し、nuScenes の検証セットのリードパフォーマンスを達成した。
関連論文リスト
- Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。
私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。
提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
論文 参考訳（メタデータ） (2023-10-19T04:44:43Z) - Pointly-Supervised Panoptic Segmentation [106.68888377104886]
弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。
完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。
我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
論文 参考訳（メタデータ） (2022-10-25T12:03:51Z) - GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。
具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
論文 参考訳（メタデータ） (2022-07-06T11:48:08Z) - Panoptic-PHNet: Towards Real-Time and High-Precision LiDAR Panoptic
Segmentation via Clustering Pseudo Heatmap [9.770808277353128]
本稿では,Panoptic-PHNetと呼ばれる高速かつ高性能なLiDARベースのフレームワークを提案する。
我々は、クラスタリング擬似ヒートマップを新しいパラダイムとして導入し、それに続いて、集中型グループ化モジュールが、効率的なクラスタリングのためにインスタンスセンタを生成する。
バックボーンデザインでは、細粒度のボクセル機能と2D Bird's Eye View (BEV)機能を異なる受容領域に融合し、詳細情報とグローバル情報の両方を利用する。
論文 参考訳（メタデータ） (2022-05-14T08:16:13Z) - CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds [2.891413712995641]
CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。
CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
論文 参考訳（メタデータ） (2021-11-02T16:44:06Z) - SMAC-Seg: LiDAR Panoptic Segmentation via Sparse Multi-directional
Attention Clustering [1.1470070927586016]
学習可能なスパースな多方向アテンションクラスタリングを複数スケールのフォアグラウンドインスタンスに提示する。
SMAC-Segはリアルタイムクラスタリングベースのアプローチであり、インスタンスをセグメント化する複雑な提案ネットワークを取り除く。
実験の結果,SMAC-Segはリアルタイムにデプロイ可能なネットワークにおいて,最先端の性能を実現していることがわかった。
論文 参考訳（メタデータ） (2021-08-31T02:25:01Z) - Fully Convolutional Networks for Panoptic Segmentation with Point-based
Supervision [88.71403886207071]
そこで我々は,Panoptic FCNと呼ばれる,完全かつ弱教師付きパノプティカルセグメンテーションのための,概念的にシンプルで強力で効率的なフレームワークを提案する。
我々のアプローチは、統一された完全な畳み込みパイプラインにおいて、前景や背景を表現し、予測することを目的としています。
Panoptic FCNは、提案したカーネルジェネレータで各オブジェクトのインスタンスやもののカテゴリをエンコードし、高解像度の機能を直接変換することで予測を生成する。
論文 参考訳（メタデータ） (2021-08-17T15:28:53Z) - Exemplar-Based Open-Set Panoptic Segmentation Network [79.99748041746592]
我々は、オープンワールドにパン光学セグメンテーションを拡張し、オープンセットのパン光学セグメンテーション(OPS)タスクを導入する。
本研究では,タスクの実践的課題を調査し,既存のデータセットであるCOCO上にベンチマークを構築する。
本稿では,エスペクティブ理論に着想を得た,エスペクティブ・ベース・オープン・セット・パノプティブ・セグメンテーション・ネットワーク(EOPSN)を提案する。
論文 参考訳（メタデータ） (2021-05-18T07:59:21Z) - Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。
従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。
推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
論文 参考訳（メタデータ） (2020-10-28T18:10:20Z) - Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。
BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。
境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文 参考訳（メタデータ） (2020-02-18T16:34:01Z)
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。