論文の概要: SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2205.13490v1
• Date: Thu, 26 May 2022 17:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 12:36:49.208037
• Title: SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation
• Title（参考訳）: SemAffiNet: ポイントクラウドセグメンテーションのためのセマンティックアフィン変換
• Authors: Ziyi Wang, Yongming Rao, Xumin Yu, Jie Zhou, Jiwen Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 94.11915008006483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional point cloud semantic segmentation methods usually employ an encoder-decoder architecture, where mid-level features are locally aggregated to extract geometric information. However, the over-reliance on these class-agnostic local geometric representations may raise confusion between local parts from different categories that are similar in appearance or spatially adjacent. To address this issue, we argue that mid-level features can be further enhanced with semantic information, and propose semantic-affine transformation that transforms features of mid-level points belonging to different categories with class-specific affine parameters. Based on this technique, we propose SemAffiNet for point cloud semantic segmentation, which utilizes the attention mechanism in the Transformer module to implicitly and explicitly capture global structural knowledge within local parts for overall comprehension of each category. We conduct extensive experiments on the ScanNetV2 and NYUv2 datasets, and evaluate semantic-affine transformation on various 3D point cloud and 2D image segmentation baselines, where both qualitative and quantitative results demonstrate the superiority and generalization ability of our proposed approach. Code is available at https://github.com/wangzy22/SemAffiNet.
• Abstract（参考訳）: 従来のポイントクラウドセマンティックセグメンテーション手法では、通常はエンコーダ・デコーダアーキテクチャを用いており、中級の特徴を局所的に集約して幾何学的情報を抽出する。 しかし、これらのクラスに依存しない局所幾何学表現への過度な依存は、外観や空間的に隣接する異なるカテゴリの局所的な部分間の混乱を引き起こす可能性がある。 この問題に対処するため, セマンティックな情報によって中級特徴をさらに強化し, クラス固有のアフィンパラメータを持つ異なるカテゴリに属する中級点の特徴を変換する意味-アフィン変換を提案する。 この手法に基づき,各カテゴリの総合的な理解のために,局所的な構造知識を暗黙的かつ明示的に捉えるために,トランスフォーマーモジュールの注意機構を利用する点クラウドセマンティクスセグメンテーションのためのセマフィネットを提案する。 本研究では,scannetv2とnyuv2データセットを広範囲に実験し,様々な3dポイントクラウドおよび2dイメージセグメンテーションベースラインにおけるセマンティック・アフィン変換の評価を行った。 コードはhttps://github.com/wangzy22/SemAffiNetで入手できる。

関連論文リスト

• A Deep Learning-based Global and Segmentation-based Semantic Feature Fusion Approach for Indoor Scene Classification [0.27298989068857493]
  セマンティックセグメンテーションマスクを用いてシーン横断のオブジェクトカテゴリの2次元空間レイアウトを求める手法を提案する。 2分岐ネットワークであるGS2F2Appは、RGB画像から抽出したCNNベースのグローバル機能と、提案したSSFから抽出したセグメンテーションベースの機能を利用する。
  論文  参考訳（メタデータ） (2023-02-13T15:12:11Z)
• Part-guided Relational Transformers for Fine-grained Visual Recognition [59.20531172172135]
  識別的特徴を学習し,特徴変換モジュールとの相関関係を探索するフレームワークを提案する。 提案手法は,3-of-the-levelオブジェクト認識において,部分ブランチの追加に頼らず,最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-28T03:45:56Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• Robust 3D Scene Segmentation through Hierarchical and Learnable Part-Fusion [9.275156524109438]
  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。
  論文  参考訳（メタデータ） (2021-11-16T13:14:47Z)
• Segmenting 3D Hybrid Scenes via Zero-Shot Learning [13.161136148641813]
  この研究は、ゼロショット学習の枠組みの下で、3Dハイブリッドシーンの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の問題に取り組むことを目的としている。 本稿では、PFNetと呼ばれる、オブジェクトの様々なクラスに対するポイント特徴を、見えていないクラスと見えないクラスの両方のセマンティック特徴を利用して合成するネットワークを提案する。 提案したPFNet は点特徴を合成するために GAN アーキテクチャを用いており、新しい意味正規化器を適用することにより、目に見えるクラスと目に見えないクラスの特徴のセマンティックな関係が統合される。 本研究では,S3DISデータセットとScanNetデータセットを6つの異なるデータ分割で再編成し,アルゴリズム評価のための2つのベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-07-01T13:21:49Z)
• Learning to Predict Context-adaptive Convolution for Semantic Segmentation [66.27139797427147]
  長距離コンテキスト情報は、高性能なセマンティックセグメンテーションを実現するために不可欠である。 空間的に変化する特徴重み付けベクトルを予測するためのコンテキスト適応畳み込みネットワーク(CaC-Net)を提案する。 当社のCaC-Netは,3つの公開データセット上でのセグメンテーション性能に優れています。
  論文  参考訳（メタデータ） (2020-04-17T13:09:17Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。