論文の概要: PointInst3D: Segmenting 3D Instances by Points

• arxiv url: http://arxiv.org/abs/2204.11402v1
• Date: Mon, 25 Apr 2022 02:41:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 14:17:44.882444
• Title: PointInst3D: Segmenting 3D Instances by Points
• Title（参考訳）: PointInst3D: 3Dインスタンスをポイント単位で分割する
• Authors: Tong He and Chunhua Shen and Anton van den Hengel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 136.7261709896713
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The current state-of-the-art methods in 3D instance segmentation typically involve a clustering step, despite the tendency towards heuristics, greedy algorithms, and a lack of robustness to the changes in data statistics. In contrast, we propose a fully-convolutional 3D point cloud instance segmentation method that works in a per-point prediction fashion. In doing so it avoids the challenges that clustering-based methods face: introducing dependencies among different tasks of the model. We find the key to its success is assigning a suitable target to each sampled point. Instead of the commonly used static or distance-based assignment strategies, we propose to use an Optimal Transport approach to optimally assign target masks to the sampled points according to the dynamic matching costs. Our approach achieves promising results on both ScanNet and S3DIS benchmarks. The proposed approach removes intertask dependencies and thus represents a simpler and more flexible 3D instance segmentation framework than other competing methods, while achieving improved segmentation accuracy.
• Abstract（参考訳）: 現在の3Dインスタンスセグメンテーションにおける最先端の手法は、ヒューリスティックスや欲求アルゴリズム、データ統計の変化に対する堅牢性の欠如にもかかわらず、クラスタリングのステップが一般的である。 対照的に、ポイントごとの予測方式で機能する完全畳み込み3Dポイントクラウドインスタンスセグメンテーション法を提案する。 そうすることで、クラスタリングベースのメソッドが直面する課題を回避することができる。 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。 静的あるいは距離に基づく配置戦略ではなく, 最適な移動手段を用いて, 動的マッチングコストに応じて, ターゲットマスクを試料点に最適割り当てる手法を提案する。 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。 提案手法はタスク間の依存関係を取り除き、他の競合する方法よりもシンプルで柔軟な3dインスタンスセグメンテーションフレームワークを表現し、セグメンテーション精度を向上させる。

関連論文リスト

• SAI3D: Segment Any Instance in 3D Scenes [68.57002591841034]
  新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。 我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。 ScanNet、Matterport3D、さらに難しいScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2023-12-17T09:05:47Z)
• 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)
• 3D-QueryIS: A Query-based Framework for 3D Instance Segmentation [74.6998931386331]
  従来の3Dインスタンスセグメンテーションの方法は、しばしばタスク間の依存関係と堅牢性の欠如の傾向を維持する。 本稿では,3D-QueryISと呼ばれる新しい問合せ方式を提案する。 私たちの3D-QueryISは、タスク間の依存関係による累積エラーから解放されています。
  論文  参考訳（メタデータ） (2022-11-17T07:04:53Z)
• 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)
• 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)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)

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。