論文の概要: GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds
- arxiv url: http://arxiv.org/abs/2109.11835v1
- Date: Fri, 24 Sep 2021 09:26:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:12:01.853200
- Title: GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds
- Title（参考訳）: GSIP:大規模屋内点雲のグリーンセマンティックセマンティックセグメンテーション
- Authors: Min Zhang, Pranav Kadam, Shan Liu, C.-C. Jay Kuo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 64.86292006892093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An efficient solution to semantic segmentation of large-scale indoor scene
point clouds is proposed in this work. It is named GSIP (Green Segmentation of
Indoor Point clouds) and its performance is evaluated on a representative
large-scale benchmark -- the Stanford 3D Indoor Segmentation (S3DIS) dataset.
GSIP has two novel components: 1) a room-style data pre-processing method that
selects a proper subset of points for further processing, and 2) a new feature
extractor which is extended from PointHop. For the former, sampled points of
each room form an input unit. For the latter, the weaknesses of PointHop's
feature extraction when extending it to large-scale point clouds are identified
and fixed with a simpler processing pipeline. As compared with PointNet, which
is a pioneering deep-learning-based solution, GSIP is green since it has
significantly lower computational complexity and a much smaller model size.
Furthermore, experiments show that GSIP outperforms PointNet in segmentation
performance for the S3DIS dataset.
- Abstract（参考訳）: 本研究では,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解法を提案する。
GSIP(Green Segmentation of Indoor Point clouds)と名付けられたそのパフォーマンスは、Stanford 3D Indoor Segmentation (S3DIS)データセットという代表的な大規模ベンチマークで評価されている。
GSIPには2つの新しいコンポーネントがある。
1)さらなる処理を行うための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。
前者の場合、各部屋のサンプルポイントは入力ユニットを形成する。
後者の場合、大規模ポイントクラウドに拡張する際のpointhopの機能抽出の弱点を識別し、より単純な処理パイプラインで固定する。
ディープラーニングベースのソリューションのパイオニアであるPointNetと比較して、GSIPは計算複雑性が著しく低く、モデルサイズもはるかに小さいため、緑色である。
さらに、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よりも優れていることを示す。
関連論文リスト
- 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) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳（メタデータ） (2022-07-31T21:39:15Z) - Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。
不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。
S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文 参考訳（メタデータ） (2022-03-28T05:35:16Z) - MVP-Net: Multiple View Pointwise Semantic Segmentation of Large-Scale
Point Clouds [13.260488842875649]
本稿では,KNNや複雑な前/後処理を使わずに大規模屋外点クラウドを効率的に推論する,エンドツーエンドのニューラルネットワークであるMultiple View Pointwise Net,MVP-Netを提案する。
数値実験により,提案したMVP-Netは,最も効率的なポイントワイドセマンティックセマンティックセグメンテーション法であるRandLA-Netの11倍高速であることがわかった。
論文 参考訳（メタデータ） (2022-01-30T09:43:00Z) - Instance Segmentation in 3D Scenes using Semantic Superpoint Tree
Networks [64.27814530457042]
本稿では,シーンポイントからオブジェクトインスタンスを提案するセマンティックスーパーポイントツリーネットワーク(SSTNet)のエンドツーエンドソリューションを提案する。
SSTNetのキーは中間的セマンティックなスーパーポイントツリー(SST)であり、スーパーポイントの学習されたセマンティックな特徴に基づいて構築されている。
SSTNetはScanNet(V2)のリーダーボードで上位にランクされ、第2のベストメソッドよりもmAPが2%高い。
論文 参考訳（メタデータ） (2021-08-17T07:25:14Z) - SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network
for 3D Indoor Scenes [6.3364439467281315]
本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。
具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
論文 参考訳（メタデータ） (2021-07-08T04:43:21Z) - 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) - GSECnet: Ground Segmentation of Point Clouds for Edge Computing [7.481096704433562]
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。
論文 参考訳（メタデータ） (2021-04-05T04:29:28Z) - Investigate Indistinguishable Points in Semantic Segmentation of 3D
Point Cloud [34.414363402029984]
区別不能な点は、複雑な境界に位置する点と、類似した局所的なテクスチャを持つ点と、小さな硬い領域を分離する点からなる。
階層的セマンティック特徴を利用して,識別不能な点を適応的に選択する,識別不能な領域フォカライゼーションネットワーク(IAF-Net)を提案する。
IAF-Netは、いくつかの人気の3Dポイントクラウドデータセットで最先端のパフォーマンスで同等の結果を達成します。
論文 参考訳（メタデータ） (2021-03-18T15:54:59Z) - PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。
我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。
クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。
ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文 参考訳（メタデータ） (2020-04-03T16:26:37Z)
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。