論文の概要: DRINet++: Efficient Voxel-as-point Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2111.08318v1
• Date: Tue, 16 Nov 2021 09:22:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 15:23:12.823020
• Title: DRINet++: Efficient Voxel-as-point Point Cloud Segmentation
• Title（参考訳）: DRINet++: 効率的なVoxel-as-point Cloudセグメンテーション
• Authors: Maosheng Ye, Rui Wan, Shuangjie Xu, Tongyi Cao, Qifeng Chen
• Abstract要約: DRINet++はDRINetを拡張し、voxel-as-pointの原則で点雲の空間性と幾何学的性質を向上させる。 我々の最先端のアウトドア・ポイント・クラウド・セグメンテーションはコンバージェンスを実現し、メモリ消費問題を緩和する。
• 参考スコア（独自算出の注目度）: 41.89569852619741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, many approaches have been proposed through single or multiple representations to improve the performance of point cloud semantic segmentation. However, these works do not maintain a good balance among performance, efficiency, and memory consumption. To address these issues, we propose DRINet++ that extends DRINet by enhancing the sparsity and geometric properties of a point cloud with a voxel-as-point principle. To improve efficiency and performance, DRINet++ mainly consists of two modules: Sparse Feature Encoder and Sparse Geometry Feature Enhancement. The Sparse Feature Encoder extracts the local context information for each point, and the Sparse Geometry Feature Enhancement enhances the geometric properties of a sparse point cloud via multi-scale sparse projection and attentive multi-scale fusion. In addition, we propose deep sparse supervision in the training phase to help convergence and alleviate the memory consumption problem. Our DRINet++ achieves state-of-the-art outdoor point cloud segmentation on both SemanticKITTI and Nuscenes datasets while running significantly faster and consuming less memory.
• Abstract（参考訳）: 近年,ポイントクラウドセマンティックセグメンテーションの性能向上のために,単一あるいは複数表現を用いて多くのアプローチが提案されている。 しかし、これらの作業は性能、効率、メモリ消費のバランスが良くない。 これらの問題に対処するため,我々は,点雲のスパーシティと幾何学的性質をvoxel-as-point原理で高め,drinetを拡張したdrinet++を提案する。 DRINet++は主にスパース機能エンコーダとスパース幾何学機能拡張の2つのモジュールで構成されている。 スパース特徴エンコーダは各点の局所的コンテキスト情報を抽出し、スパース幾何学的特徴強調はスパース点雲の幾何学的性質をマルチスケールのスパースプロジェクションと注意深いマルチスケール融合を通じて向上させる。 さらに, メモリ消費問題の収束と緩和を支援するため, トレーニング段階における深部スパース管理を提案する。 我々のDRINet++は、SemanticKITTIとNuscenesの両方のデータセット上で、最先端の屋外クラウドセグメンテーションを実現します。

関連論文リスト

• Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
  私たちは小説を提案します。 ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。 ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。 挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-10-10T17:00:04Z)
• PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis [28.54939134635978]
  PointeNetは、ポイントクラウド分析に特化したネットワークである。 本手法は,分類/分割ヘッドとシームレスに統合したり,市販の3Dオブジェクト検出ネットワークに埋め込んだりすることで,柔軟性を示す。 ModelNet40、ScanObjectNN、ShapeNet KITTI、およびシーンレベルのデータセットKITTIを含むオブジェクトレベルのデータセットの実験は、ポイントクラウド分析における最先端メソッドよりもPointeNetの方が優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-12-20T03:34:48Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Few-Shot 3D Point Cloud Semantic Segmentation via Stratified Class-Specific Attention Based Transformer Network [22.9434434107516]
  数ショットのクラウドセマンティックセマンティックセグメンテーションのための新しい多層トランスフォーマーネットワークを開発した。 提案手法は,既存の数ショットの3Dポイントクラウドセグメンテーションモデルよりも15%少ない推論時間で,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T00:27:54Z)
• 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)
• Attribute Artifacts Removal for Geometry-based Point Cloud Compression [43.60640890971367]
  幾何ベースの点雲圧縮(G-PCC)は点雲に対する顕著な圧縮効率を達成する。 特に低いシナリオ下では、重要な属性圧縮アーティファクトが発生します。 本稿では,ポイントクラウド属性のアーティファクトを除去するマルチスケールグラフ注意ネットワーク(MSGAT)を提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:21:06Z)
• DRINet: A Dual-Representation Iterative Learning Network for Point Cloud Segmentation [45.768040873409824]
  DRINetは二重表現学習の基本的なネットワーク構造として機能する。 我々のネットワークは、ポイントクラウド分類とセグメンテーションタスクの最先端の結果を達成する。 大規模屋外シナリオでは,提案手法はフレーム当たり62msのリアルタイム推論速度で最先端の手法より優れる。
  論文  参考訳（メタデータ） (2021-08-09T13:23:54Z)
• 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)
• MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point Clouds Segmentation [1.2380933178502298]
  マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。 MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
  論文  参考訳（メタデータ） (2020-04-05T18:02:07Z)

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。