論文の概要: iSeg3D: An Interactive 3D Shape Segmentation Tool

• arxiv url: http://arxiv.org/abs/2112.12988v1
• Date: Fri, 24 Dec 2021 08:15:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-29 15:07:53.593687
• Title: iSeg3D: An Interactive 3D Shape Segmentation Tool
• Title（参考訳）: iSeg3D:インタラクティブな3D形状分割ツール
• Authors: Sucheng Qian, Liu Liu, Wenqiang Xu, Cewu Lu
• Abstract要約: 3次元形状のための効果的なアノテーションツールiSegを提案する。 我々の観察では、ほとんどの対象は有限原始形状の合成とみなすことができる。 構築したプリミティブな形状データに基づいてiSeg3Dモデルをトレーニングし、幾何学的事前知識を自己指導的に学習する。
• 参考スコア（独自算出の注目度）: 48.784624011210475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A large-scale dataset is essential for learning good features in 3D shape understanding, but there are only a few datasets that can satisfy deep learning training. One of the major reasons is that current tools for annotating per-point semantic labels using polygons or scribbles are tedious and inefficient. To facilitate segmentation annotations in 3D shapes, we propose an effective annotation tool, named iSeg for 3D shape. It can obtain a satisfied segmentation result with minimal human clicks (< 10). Under our observation, most objects can be considered as the composition of finite primitive shapes, and we train iSeg3D model on our built primitive-composed shape data to learn the geometric prior knowledge in a self-supervised manner. Given human interactions, the learned knowledge can be used to segment parts on arbitrary shapes, in which positive clicks help associate the primitives into the semantic parts and negative clicks can avoid over-segmentation. Besides, We also provide an online human-in-loop fine-tuning module that enables the model perform better segmentation with less clicks. Experiments demonstrate the effectiveness of iSeg3D on PartNet shape segmentation. Data and codes will be made publicly available.
• Abstract（参考訳）: 大規模データセットは3次元形状理解において優れた特徴を学習するために不可欠だが、ディープラーニングトレーニングを満足できるデータセットはごくわずかである。 主な理由の1つは、ポリゴンやスクリブルを使ったポイントごとのセマンティックラベルの注釈付けが退屈で非効率であることである。 3次元形状のセグメンテーションアノテーションを容易にするために,iSegというアノテーションツールを提案する。 最小限の人間のクリックで満足なセグメンテーション結果を得る(<10)。 我々の観察では、ほとんどのオブジェクトは有限原始形状の合成と見なすことができ、構築された原始構成形状データ上でiSeg3Dモデルを訓練し、幾何学的事前知識を自己教師された方法で学習する。 人間の相互作用を考えると、学習した知識は任意の形状の部品を分割するのに使用することができ、正のクリックはプリミティブを意味的な部分に関連付けるのに役立つ。 さらに、オンラインのヒューマン・イン・ループ・ファインチューニングモジュールも提供し、より少ないクリックでセグメンテーションを行えるようにしています。 PartNet形状分割におけるiSeg3Dの有効性を示す実験を行った。 データとコードは公開される予定だ。

関連論文リスト

• PARIS3D: Reasoning-based 3D Part Segmentation Using Large Multimodal Model [19.333506797686695]
  本稿では,3次元オブジェクトに対する推論部分分割と呼ばれる新しいセグメンテーションタスクを提案する。 我々は3Dオブジェクトの特定の部分に関する複雑で暗黙的なテキストクエリに基づいてセグメンテーションマスクを出力する。 本稿では,暗黙のテキストクエリに基づいて3次元オブジェクトの一部を分割し,自然言語による説明を生成するモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-04T23:38:45Z)
• Semi-Weakly Supervised Object Kinematic Motion Prediction [56.282759127180306]
  3Dオブジェクトが与えられた場合、運動予測は移動部と対応する運動パラメータを識別することを目的としている。 階層的部分分割と移動部パラメータのマップを学習するグラフニューラルネットワークを提案する。 ネットワーク予測は、擬似ラベル付き移動情報を持つ大規模な3Dオブジェクトを生成する。
  論文  参考訳（メタデータ） (2023-03-31T02:37:36Z)
• PartSLIP: Low-Shot Part Segmentation for 3D Point Clouds via Pretrained Image-Language Models [56.324516906160234]
  一般化可能な3D部分分割は重要だが、ビジョンとロボティクスでは難しい。 本稿では,事前学習した画像言語モデルGLIPを利用して,3次元点雲の低ショット部分分割法を提案する。 我々は2Dから3Dへの豊富な知識を、ポイントクラウドレンダリングにおけるGLIPに基づく部分検出と新しい2D-to-3Dラベルリフトアルゴリズムにより転送する。
  論文  参考訳（メタデータ） (2022-12-03T06:59:01Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• Semi-supervised 3D shape segmentation with multilevel consistency and part substitution [21.075426681857024]
  本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。 ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しい多レベル整合性損失を提案する。 ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
  論文  参考訳（メタデータ） (2022-04-19T11:48:24Z)
• SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
  SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
  論文  参考訳（メタデータ） (2021-12-27T23:55:36Z)
• Meta-Learning 3D Shape Segmentation Functions [16.119694625781992]
  本稿では,3次元形状を入力として,各3次元セグメント関数空間の事前予測を行うメタリアナとして,補助的なディープニューラルネットワークを導入する。 実験では,メタ3DSegと呼ばれるメタラーニング手法が,教師なし3次元形状のセグメンテーションの改善につながることを示す。
  論文  参考訳（メタデータ） (2021-10-08T01:50:54Z)
• 3D Meta-Segmentation Neural Network [12.048487830494107]
  本稿では,3次元形状分割関数を課題とするメタラーニング手法を提案する。 本手法は,複数の3次元部分分割タスクをトレーニングすることにより,各3次元部分分割関数空間の事前学習を可能にする。 本モデルは,広く使用されているデータセットであるShapeNetの少数ショット設定により,より優れた部分セグメンテーション性能を実現することを実証する。
  論文  参考訳（メタデータ） (2021-10-08T01:47:54Z)
• Discovering 3D Parts from Image Collections [98.16987919686709]
  本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。 そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。 私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
  論文  参考訳（メタデータ） (2021-07-28T20:29:16Z)

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。