論文の概要: Robust 3D Scene Segmentation through Hierarchical and Learnable
Part-Fusion
- arxiv url: http://arxiv.org/abs/2111.08434v1
- Date: Tue, 16 Nov 2021 13:14:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 15:02:58.998992
- Title: Robust 3D Scene Segmentation through Hierarchical and Learnable
Part-Fusion
- Title（参考訳）: 階層的で学習可能なパートフュージョンによるロバスト3次元シーンセグメンテーション
- Authors: Anirud Thyagharajan, Benjamin Ummenhofer, Prashant Laddha, Om J Omer,
Sreenivas Subramoney
- Abstract要約: 3Dセマンティックセグメンテーションは、自律運転、ロボット工学、AR/VRといったいくつかのシーン理解アプリケーションのための基本的なビルディングブロックである。
従来の手法では、階層的で反復的な手法を用いて意味や事例情報を融合するが、文脈融合における学習性は欠如している。
本稿では,セグメンテーション・フュージョン(Seegment-Fusion)について述べる。
- 参考スコア（独自算出の注目度）: 9.275156524109438
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 3D semantic segmentation is a fundamental building block for several scene
understanding applications such as autonomous driving, robotics and AR/VR.
Several state-of-the-art semantic segmentation models suffer from the part
misclassification problem, wherein parts of the same object are labelled
incorrectly. Previous methods have utilized hierarchical, iterative methods to
fuse semantic and instance information, but they lack learnability in context
fusion, and are computationally complex and heuristic driven. This paper
presents Segment-Fusion, a novel attention-based method for hierarchical fusion
of semantic and instance information to address the part misclassifications.
The presented method includes a graph segmentation algorithm for grouping
points into segments that pools point-wise features into segment-wise features,
a learnable attention-based network to fuse these segments based on their
semantic and instance features, and followed by a simple yet effective
connected component labelling algorithm to convert segment features to instance
labels. Segment-Fusion can be flexibly employed with any network architecture
for semantic/instance segmentation. It improves the qualitative and
quantitative performance of several semantic segmentation backbones by upto 5%
when evaluated on the ScanNet and S3DIS datasets.
- Abstract（参考訳）: 3dセマンティックセグメンテーションは、自動運転、ロボティクス、ar/vrなど、いくつかのシーン理解アプリケーションのための基本的な構成要素である。
いくつかの最先端セマンティックセグメンテーションモデルは、同じオブジェクトの一部が誤ってラベル付けされる部分的誤分類問題に悩まされている。
従来の手法では、階層的で反復的な手法を用いて意味と事例情報を融合するが、文脈融合における学習性に欠けており、計算的に複雑でヒューリスティックな駆動である。
本稿では,セマンティクス情報とインスタンス情報の階層的融合手法であるsegment-fusionを提案する。
提案手法は,ポイントをセグメントにグループ化するグラフ分割アルゴリズムと,これらのセグメントを意味的特徴と事例的特徴に基づいて融合する学習可能な注意ベースネットワークと,セグメント特徴をインスタンスラベルに変換するためのシンプルで効果的な連結コンポーネントラベリングアルゴリズムを含む。
Segment-Fusionは、セマンティック/インスタンスセグメンテーションのためのどんなネットワークアーキテクチャでも柔軟に利用できる。
ScanNetとS3DISデータセットで評価すると、いくつかのセマンティックセグメンテーションバックボーンの質的、定量的なパフォーマンスが最大5%向上する。
関連論文リスト
- Instance-aware 3D Semantic Segmentation powered by Shape Generators and
Classifiers [28.817905887080293]
本稿では,3次元セマンティックセグメンテーションのための新しいインスタンス認識手法を提案する。
本手法は,学習した特徴表現の一貫性を促進するために,インスタンスレベルでの幾何処理タスクを組み合わせる。
論文 参考訳（メタデータ） (2023-11-21T02:14:16Z) - Semantic Segmentation-Assisted Instance Feature Fusion for Multi-Level
3D Part Instance Segmentation [17.929866369256555]
本稿では,3次元部分分割のための新しい手法を提案する。
本手法は, セマンティックセグメンテーションを利用して, 中心予測などの非局所的なインスタンス特徴を融合する。
提案手法は,PartNetベンチマークで大きく改善された既存手法よりも優れている。
論文 参考訳（メタデータ） (2022-08-09T13:22:55Z) - Open-world Semantic Segmentation via Contrasting and Clustering
Vision-Language Embedding [95.78002228538841]
本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールドセマンティックセマンティックセマンティックセマンティクスパイプラインを提案する。
提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
論文 参考訳（メタデータ） (2022-07-18T09:20:04Z) - SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
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ためのSemAffiNetを提案する。
我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-05-26T17:00:23Z) - Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。
これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。
結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-02-04T07:19:09Z) - TransFGU: A Top-down Approach to Fine-Grained Unsupervised Semantic
Segmentation [44.75300205362518]
教師なしセマンティックセグメンテーションは、手動のアノテーションを使わずに、低レベルの視覚的特徴の高レベルセマンティック表現を得ることを目的としている。
本稿では, 非常に複雑なシナリオにおける細粒度セグメンテーションのための, トップダウンの教師なしセグメンテーションフレームワークを提案する。
我々の結果は、トップダウンの教師なしセグメンテーションが、オブジェクト中心とシーン中心の両方のデータセットに対して堅牢であることを示している。
論文 参考訳（メタデータ） (2021-12-02T18:59:03Z) - 3D Compositional Zero-shot Learning with DeCompositional Consensus [102.7571947144639]
我々は、部分的知識は観察されたオブジェクトクラスを超えて構成可能であるべきだと論じる。
本稿では、視覚から見えないオブジェクトクラスへの部分一般化の問題として、3D合成ゼロショット学習を提案する。
論文 参考訳（メタデータ） (2021-11-29T16:34:53Z) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - Learning Panoptic Segmentation from Instance Contours [9.347742071428918]
Panopticpixel は、背景 (stuff) とオブジェクト (things) のインスタンスをピクセルレベルで理解することを目的としている。
セマンティックセグメンテーション(レベル分類)とインスタンスセグメンテーションの別々のタスクを組み合わせて、単一の統合されたシーン理解タスクを構築する。
セマンティックセグメンテーションとインスタンス輪郭からインスタンスセグメンテーションを学習する完全畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-16T03:05:48Z) - Self-Prediction for Joint Instance and Semantic Segmentation of Point
Clouds [41.75579185647845]
我々は,3次元のインスタンスと点雲のセマンティックセグメンテーションのための新たな学習手法であるSelf-Predictionを開発した。
本手法は,S3DISとShapeNetのインスタンスセグメンテーション結果と,S3DISとShapeNetのセグメンテーション結果に匹敵するセグメンテーション結果を得る。
論文 参考訳（メタデータ） (2020-07-27T07:58:00Z) - Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。
提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
論文 参考訳（メタデータ） (2020-06-22T08:05:25Z)
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。