Fugu-MT 論文翻訳(概要): GSECnet: Ground Segmentation of Point Clouds for Edge Computing

論文の概要: GSECnet: Ground Segmentation of Point Clouds for Edge Computing

arxiv url: http://arxiv.org/abs/2104.01766v1
Date: Mon, 5 Apr 2021 04:29:28 GMT
ステータス: 処理完了
システム内更新日: 2021-04-06 14:33:58.309768
Title: GSECnet: Ground Segmentation of Point Clouds for Edge Computing
Title（参考訳）: gsecnet:エッジコンピューティングのためのポイントクラウドの地上セグメンテーション
Authors: Dong He, Jie Cheng, Jong-Hwan Kim
Abstract要約: GSECnetは、低電力エッジコンピューティングユニットにデプロイできるように設計された効率的な地上セグメンテーションフレームワークです。本フレームワークは,デスクトッププラットフォーム上での135.2Hzのランタイム推定を実現する。
参考スコア（独自算出の注目度）: 7.481096704433562
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Ground segmentation of point clouds remains challenging because of the sparse and unordered data structure. This paper proposes the GSECnet - Ground Segmentation network for Edge Computing, an efficient ground segmentation framework of point clouds specifically designed to be deployable on a low-power edge computing unit. First, raw point clouds are converted into a discretization representation by pillarization. Afterward, features of points within pillars are fed into PointNet to get the corresponding pillars feature map. Then, a depthwise-separable U-Net with the attention module learns the classification from the pillars feature map with an enormously diminished model parameter size. Our proposed framework is evaluated on SemanticKITTI against both point-based and discretization-based state-of-the-art learning approaches, and achieves an excellent balance between high accuracy and low computing complexity. Remarkably, our framework achieves the inference runtime of 135.2 Hz on a desktop platform. Moreover, experiments verify that it is deployable on a low-power edge computing unit powered 10 watts only.
Abstract（参考訳）: 点雲のグラウンドセグメンテーションは、希薄で秩序のないデータ構造のため、依然として困難である。本稿では,低消費電力エッジコンピューティングユニットにデプロイ可能なポイントクラウドの効率的なグラウンドセグメンテーションフレームワークであるGSECnet - Ground Segmentation Networkを提案する。まず、原点雲をピラリゼーションにより離散化表現に変換する。その後、柱内の点の特徴をPointNetに入力して対応する柱の特徴マップを取得する。そして、注目モジュールを持つ奥行き分離可能なU-Netは、モデルパラメータが著しく小さくなった柱特徴写像から分類を学習する。提案手法は,セマンティックKITTIを用いて,ポイントベースおよび離散化に基づく最先端の学習手法に対して評価し,高い精度と低演算複雑性のバランスをとる。注目すべきは、デスクトッププラットフォーム上での135.2Hzの推論ランタイムを実現することだ。さらに実験では、10ワットのみで動作する低消費電力エッジコンピューティングユニットにデプロイ可能であることを検証している。

関連論文リスト

PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文参考訳（メタデータ） (2023-03-12T14:49:42Z)
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)
Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
論文参考訳（メタデータ） (2022-11-20T07:10:14Z)
Point cloud completion on structured feature map with feedback network [28.710494879042002]
本稿では,FSNetを提案する。FSNetは,ポイントワイドな特徴を適応的に2次元構造的特徴マップに集約できる機能構造化モジュールである。 2次元畳み込みニューラルネットワークを用いて、FSNetから粗い完全点クラウドに特徴マップをデコードする。点雲アップサンプリングネットワークを用いて、部分入力と粗い中間出力から高密度点雲を生成する。
論文参考訳（メタデータ） (2022-02-17T10:59:40Z)
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)
GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds [64.86292006892093]
GSIP (Green of Indoor Point clouds) は大規模屋内シーンポイント雲のセマンティックセグメンテーションの効率的なソリューションである。 GSIPには2つの新しいコンポーネントがある: 1) 更なる処理のためにポイントの適切なサブセットを選択するルームスタイルのデータ前処理方法、2) ポイントホップから拡張された新しい特徴抽出器。実験の結果、GSIPはS3DISデータセットのセグメンテーション性能においてPointNetよりも優れていた。
論文参考訳（メタデータ） (2021-09-24T09:26:53Z)
UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2021-08-05T17:11:08Z)
Learning point embedding for 3D data processing [2.12121796606941]
現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-07-19T00:25:28Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。その結果,形状分類作業における最先端性能が得られた。
論文参考訳（メタデータ） (2020-09-28T13:01:28Z)
Cascaded Non-local Neural Network for Point Cloud Semantic Segmentation [37.33261773707134]
提案するネットワークは、正確なセグメンテーションのために、ポイントクラウドの長距離依存関係を構築することを目的としている。我々は,近隣レベル,スーパーポイントレベル,グローバルレベルの非ローカルブロックからなる新しい非ローカルモジュールを開発する。提案手法は,最先端性能を実現し,時間消費とメモリ占有を効果的に削減する。
論文参考訳（メタデータ） (2020-07-30T14:34:43Z)

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。