論文の概要: SoftGroup for 3D Instance Segmentation on Point Clouds

• arxiv url: http://arxiv.org/abs/2203.01509v1
• Date: Thu, 3 Mar 2022 04:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 16:16:49.511892
• Title: SoftGroup for 3D Instance Segmentation on Point Clouds
• Title（参考訳）: ポイントクラウド上の3次元インスタンスセグメンテーションのためのSoftGroup
• Authors: Thang Vu, Kookhoi Kim, Tung M. Luu, Xuan Thanh Nguyen, Chang D. Yoo
• Abstract要約: 既存の最先端の3Dインスタンスセグメンテーションメソッドはセグメンテーションを行い、次にグループ化する。 本稿では,ボトムアップソフトグループ化とトップダウンリファインメントを併用して,SoftGroupと呼ばれる3次元インスタンスセグメンテーション手法を提案する。 異なるデータセットと複数の評価指標の実験結果から,SoftGroupの有効性が示された。
• 参考スコア（独自算出の注目度）: 16.746879832626036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing state-of-the-art 3D instance segmentation methods perform semantic segmentation followed by grouping. The hard predictions are made when performing semantic segmentation such that each point is associated with a single class. However, the errors stemming from hard decision propagate into grouping that results in (1) low overlaps between the predicted instance with the ground truth and (2) substantial false positives. To address the aforementioned problems, this paper proposes a 3D instance segmentation method referred to as SoftGroup by performing bottom-up soft grouping followed by top-down refinement. SoftGroup allows each point to be associated with multiple classes to mitigate the problems stemming from semantic prediction errors and suppresses false positive instances by learning to categorize them as background. Experimental results on different datasets and multiple evaluation metrics demonstrate the efficacy of SoftGroup. Its performance surpasses the strongest prior method by a significant margin of +6.2% on the ScanNet v2 hidden test set and +6.8% on S3DIS Area 5 in terms of AP_50. SoftGroup is also fast, running at 345ms per scan with a single Titan X on ScanNet v2 dataset. The source code and trained models for both datasets are available at \url{https://github.com/thangvubk/SoftGroup.git}.
• Abstract（参考訳）: 既存の最先端の3Dインスタンスセグメンテーションメソッドはセグメンテーションを行い、次にグループ化を行う。 各点が1つのクラスに関連付けられているようにセマンティックセグメンテーションを実行する際に、ハード予測を行う。 しかし、難しい決定から生じる誤りは、(1)予測された事例と基礎的事実との重なり合いが低く、(2)実質的な偽陽性が生じるグループ化へと伝播する。 上述の問題に対処するために,ボトムアップソフトグルーピングとトップダウンリファインメントによるソフトグループと呼ばれる3次元インスタンスセグメンテーション手法を提案する。 softgroupは、各ポイントを複数のクラスに関連付けることで、意味的予測エラーに起因する問題を緩和し、背景として分類する学習によって偽陽性インスタンスを抑制する。 異なるデータセットと複数の評価指標に関する実験結果は、softgroupの有効性を示している。 その性能は、ScanNet v2の隠れテストセットで+6.2%、AP_50で+6.8%という、最強の先行手法を超える。 SoftGroupも高速で、ScanNet v2データセット上の単一のTitan Xで1スキャンあたり345msで動作する。 両方のデータセットのソースコードとトレーニングされたモデルは、 \url{https://github.com/thangvubk/softgroup.git}で入手できる。

関連論文リスト

• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• ISBNet: a 3D Point Cloud Instance Segmentation Network with Instance-aware Sampling and Box-aware Dynamic Convolution [14.88505076974645]
  ISBNetは、インスタンスをカーネルとして表現し、動的畳み込みを通じてインスタンスマスクをデコードする新しい方法である。 我々は,ScanNetV2 (55.9), S3DIS (60.8), S3LS3D (49.2) にAPの条件で新たな最先端結果を設定し,ScanNetV2のシーンあたり237msの高速推論時間を保持する。
  論文  参考訳（メタデータ） (2023-03-01T06:06:28Z)
• SoftGroup++: Scalable 3D Instance Segmentation with Octree Pyramid Grouping [20.679509793287465]
  既存の3Dポイントクラウドインスタンスのセグメンテーションメソッドは、グループがオブジェクトインスタンスを取得するためにポイントをグループ化するアプローチに依存している。 数百万のポイントでシーンを処理するために、既存の最速のメソッドであるSoftGroup citevu2022softgroupは数十秒を要する。 本稿では,この計算ボトルネックに対処し,ネットワーク全体の推論速度をさらに最適化するために,SoftGroup++を提案する。
  論文  参考訳（メタデータ） (2022-09-17T06:36:18Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• MaskGroup: Hierarchical Point Grouping and Masking for 3D Instance Segmentation [36.28586460186891]
  本稿では,ロボット工学や拡張現実といった現実的な応用の多種多様な3Dインスタンスセグメンテーション問題について検討する。 本稿では,3Dインスタンスをグループ化し,洗練するための新しいフレームワークを提案する。 提案手法は,ScanNetV2テストセットの0.5IoU閾値で66.4%のmAPを達成する。
  論文  参考訳（メタデータ） (2022-03-28T11:22:58Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• 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)
• 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。