論文の概要: Unsupervised Segmentation for Terracotta Warrior with
Seed-Region-Growing CNN(SRG-Net)
- arxiv url: http://arxiv.org/abs/2107.13167v1
- Date: Wed, 28 Jul 2021 04:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 21:56:28.805325
- Title: Unsupervised Segmentation for Terracotta Warrior with
Seed-Region-Growing CNN(SRG-Net)
- Title（参考訳）: シードRegion-Growing CNN(SRG-Net)を用いたTerracottaウォリアの教師なしセグメンテーション
- Authors: Yao Hu, Guohua Geng, Kang Li, Wei Zhou, Xingxing Hao, Xin Cao
- Abstract要約: 清文天皇陵遺跡博物館のテラコッタ戦士の修理作業は、専門家によって手作業で行われている。
テラコッタ戦士の3Dポイントクラウドデータを自動的に分割し、フラグメントデータをデータベースに格納したいと思っています。
提案するSRG-Netは,テラコッタ戦士のデータとShapeNetデータセットを用いて,精度とレイテンシを計測して評価する。
- 参考スコア（独自算出の注目度）: 21.823500757655065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The repairing work of terracotta warriors in Emperor Qinshihuang Mausoleum
Site Museum is handcrafted by experts, and the increasing amounts of unearthed
pieces of terracotta warriors make the archaeologists too challenging to
conduct the restoration of terracotta warriors efficiently. We hope to segment
the 3D point cloud data of the terracotta warriors automatically and store the
fragment data in the database to assist the archaeologists in matching the
actual fragments with the ones in the database, which could result in higher
repairing efficiency of terracotta warriors. Moreover, the existing 3D neural
network research is mainly focusing on supervised classification, clustering,
unsupervised representation, and reconstruction. There are few pieces of
researches concentrating on unsupervised point cloud part segmentation. In this
paper, we present SRG-Net for 3D point clouds of terracotta warriors to address
these problems. Firstly, we adopt a customized seed-region-growing algorithm to
segment the point cloud coarsely. Then we present a supervised segmentation and
unsupervised reconstruction networks to learn the characteristics of 3D point
clouds. Finally, we combine the SRG algorithm with our improved CNN using a
refinement method. This pipeline is called SRG-Net, which aims at conducting
segmentation tasks on the terracotta warriors. Our proposed SRG-Net is
evaluated on the terracotta warriors data and ShapeNet dataset by measuring the
accuracy and the latency. The experimental results show that our SRG-Net
outperforms the state-of-the-art methods. Our code is shown in Code File
1~\cite{Srgnet_2021}.
- Abstract（参考訳）: 清文天皇陵跡博物館のテラコッタ戦士の修理作業は専門家によって手作業で行われ、発掘されたテラコッタ戦士の断片が増加し、考古学者がテラコッタ戦士の修復を効率的に行うのが難しくなった。
我々は、terracottaウォリアーズの3dポイントクラウドデータを自動的に分割し、そのフラグメントデータをデータベースに保存して、実際のフラグメントとデータベースのフラグメントのマッチングを支援することで、terracottaウォリアーズの修復効率を高めることを望んでいる。
さらに,既存の3次元ニューラルネットワーク研究は主に教師あり分類,クラスタリング,教師なし表現,再構成に重点を置いている。
教師なしのクラウド部分のセグメンテーションに焦点を絞った研究はほとんどない。
本稿では,terracottaウォリアーズの3dポイントクラウドに対するsrg-netを提案する。
まず,ポイントクラウドを大まかに分割するために,カスタマイズしたシードリージョン成長アルゴリズムを採用する。
次に,教師ありセグメンテーションと教師なし再構成ネットワークを用いて,3次元点雲の特性を学習する。
最後に、SRGアルゴリズムと改良されたCNNを改良手法を用いて組み合わせる。
このパイプラインはSRG-Netと呼ばれ、テラコッタ戦士のセグメンテーションタスクの実行を目的としている。
提案するSRG-Netは,テラコッタ戦士のデータとShapeNetデータセットを用いて,精度とレイテンシを測定して評価する。
実験の結果,SRG-Netは最先端手法よりも優れていた。
コードはコードファイル1~\cite{srgnet_2021}に表示されます。
関連論文リスト
- Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。
完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。
半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文 参考訳（メタデータ） (2024-09-12T14:54:31Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - 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) - 3D point cloud segmentation using GIS [1.3873397698625443]
地理情報を2次元GIS層(OpenStreetMap)からインポートすることで,3次元ポイントクラウドデータのセマンティックセグメンテーションを実現する手法を提案する。
提案手法は,GIS多角形周辺と点雲の最適適合性を実現するために,建物などの意味のある単位を特定し,その位置を調節する。
論文 参考訳（メタデータ） (2021-08-13T16:26:51Z) - H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point
Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo [4.263987603222371]
本稿では,3つの方法でユニークな3次元データセットを提案する。
ヘシグハイム(ドイツ語: Hessigheim, H3D)は、ドイツの都市。
片手で3次元データ分析の分野での研究を促進するとともに、新しいアプローチの評価とランク付けを目的としている。
論文 参考訳（メタデータ） (2021-02-10T09:33:48Z) - SRG-Net: Unsupervised Segmentation for Terracotta Warrior Point Cloud
with 3D Pointwise CNN methods [21.823500757655065]
テラコッタ戦士の3次元点雲を用いた非教師なし部分分割のためのシードリージョン成長型CNN(SRG-Net)を提案する。
提案するSRG-Netは, タラコッタ戦士のデータとShapeNetのベンチマークデータセットを用いて, 結合(mIoU)と遅延の平均交点を測定して評価した。
論文 参考訳（メタデータ） (2020-12-01T12:02:55Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z) - Point Cloud Completion by Skip-attention Network with Hierarchical
Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。
まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。
第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文 参考訳（メタデータ） (2020-05-08T06:23:51Z)
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。