論文の概要: HPNet: Deep Primitive Segmentation Using Hybrid Representations

• arxiv url: http://arxiv.org/abs/2105.10620v1
• Date: Sat, 22 May 2021 02:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:17:56.269763
• Title: HPNet: Deep Primitive Segmentation Using Hybrid Representations
• Title（参考訳）: HPNet:ハイブリッド表現を用いた深層原始セグメンテーション
• Authors: Siming Yan, Zhenpei Yang, Chongyang Ma, Haibin Huang, Etienne Vouga, Qixing Huang
• Abstract要約: HPNetは、ポイントクラウドとして表現される3D形状をプリミティブパッチにセグメント化するための、新しいディープラーニングアプローチである。 単一の特徴表現を利用するのとは異なり、HPNetハイブリッド表現は1つの学習されたセマンティック記述子、予測パラメータから派生した2つのスペクトル記述子、および鋭いエッジを符号化する隣接行列を組み合わせる。
• 参考スコア（独自算出の注目度）: 51.56523135057311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces HPNet, a novel deep-learning approach for segmenting a 3D shape represented as a point cloud into primitive patches. The key to deep primitive segmentation is learning a feature representation that can separate points of different primitives. Unlike utilizing a single feature representation, HPNet leverages hybrid representations that combine one learned semantic descriptor, two spectral descriptors derived from predicted geometric parameters, as well as an adjacency matrix that encodes sharp edges. Moreover, instead of merely concatenating the descriptors, HPNet optimally combines hybrid representations by learning combination weights. This weighting module builds on the entropy of input features. The output primitive segmentation is obtained from a mean-shift clustering module. Experimental results on benchmark datasets ANSI and ABCParts show that HPNet leads to significant performance gains from baseline approaches.
• Abstract（参考訳）: 本稿では,ポイントクラウドとして表現される3次元形状をプリミティブパッチに分割する,新しいディープラーニング手法HPNetを紹介する。 ディーププリミティブセグメンテーションの鍵は、異なるプリミティブのポイントを分離できる特徴表現を学ぶことである。 単一の特徴表現を利用するのとは異なり、hpnetは1つの学習された意味記述子と予測された幾何学的パラメータから派生した2つのスペクトル記述子と鋭いエッジを符号化する隣接行列を組み合わせたハイブリッド表現を利用する。 さらに、単にディスクリプタを結合する代わりに、hpnetはハイブリッド表現を結合して組み合わせ重みを学習する。 この重み付けモジュールは入力機能のエントロピーに基づいている。 出力プリミティブセグメンテーションは平均シフトクラスタリングモジュールから得られる。 ベンチマークデータセットANSIとABCPartsの実験結果は、HPNetがベースラインアプローチから大きなパフォーマンス向上をもたらすことを示している。

関連論文リスト

• BPNet: B\'ezier Primitive Segmentation on 3D Point Clouds [17.133617027574353]
  BPNetは、3Dポイントクラウド上のB'ezierプリミティブセグメンテーションを学ぶための、新しいエンドツーエンドのディープラーニングフレームワークである。 B'ezierプリミティブセグメンテーションと幾何フィッティングを同時に学習するための共同最適化フレームワークが提案されている。 実験では,推定速度が大幅に速く,従来の作業よりもセグメンテーションにおいて優れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-08T16:46:01Z)
• Fitting and recognition of geometric primitives in segmented 3D point clouds using a localized voting procedure [1.8352113484137629]
  投票手順によって各タイプの原始パラメータを初期推定できる点雲処理手法を提案する。 これらの推定値を用いることで、最適解の探索を次元的に還元された空間に局所化し、HT を文献で一般的に見られるものよりもより原始的に拡張することが効率的となる。
  論文  参考訳（メタデータ） (2022-05-30T20:47:43Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes [17.217954254022573]
  メタラーニングに基づく3次元形状分割手法を提案する。 本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
  論文  参考訳（メタデータ） (2021-07-07T01:47:00Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
  本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。 また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。 我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-07-19T15:26:50Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。