Fugu-MT 論文翻訳(概要): SHRED: 3D Shape Region Decomposition with Learned Local Operations

論文の概要: SHRED: 3D Shape Region Decomposition with Learned Local Operations

arxiv url: http://arxiv.org/abs/2206.03480v1
Date: Tue, 7 Jun 2022 17:55:15 GMT
ステータス: 処理完了
システム内更新日: 2022-06-08 14:24:38.726612
Title: SHRED: 3D Shape Region Decomposition with Learned Local Operations
Title（参考訳）: shred: 学習した局所操作による3次元形状領域の分解
Authors: R. Kenny Jones and Aalia Habib and Daniel Ritchie
Abstract要約: 3D SHape Region Decomposition法としてSHREDを提案する。 SHREDは3Dポイントクラウドを入力として、学習したローカル操作を使用して、きめ細かい部分インスタンスを近似するセグメンテーションを生成する。
参考スコア（独自算出の注目度）: 9.840290491547162
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present SHRED, a method for 3D SHape REgion Decomposition. SHRED takes a 3D point cloud as input and uses learned local operations to produce a segmentation that approximates fine-grained part instances. We endow SHRED with three decomposition operations: splitting regions, fixing the boundaries between regions, and merging regions together. Modules are trained independently and locally, allowing SHRED to generate high-quality segmentations for categories not seen during training. We train and evaluate SHRED with fine-grained segmentations from PartNet; using its merge-threshold hyperparameter, we show that SHRED produces segmentations that better respect ground-truth annotations compared with baseline methods, at any desired decomposition granularity. Finally, we demonstrate that SHRED is useful for downstream applications, out-performing all baselines on zero-shot fine-grained part instance segmentation and few-shot fine-grained semantic segmentation when combined with methods that learn to label shape regions.
Abstract（参考訳）: 3D SHape Region Decomposition法としてSHREDを提案する。 SHREDは3Dポイントクラウドを入力として、学習したローカル操作を使用して、きめ細かい部分インスタンスを近似するセグメンテーションを生成する。 SHREDには領域分割,領域間の境界の固定,領域の合併という3つの分解操作が組み込まれている。モジュールは独立してローカルにトレーニングされ、shedはトレーニング中に見えないカテゴリの高品質なセグメンテーションを生成することができる。マージ・スレッショルド・ハイパーパラメータを用いて,shedはベースライン法と比較して,任意の所望の分解粒度において,基礎的アノテーションをより尊重するセグメンテーションを生成できることを示した。最後に、shredは下流アプリケーションにとって有用であり、ゼロショットの細かい部分インスタンスのセグメンテーションで全てのベースラインを上回り、形状領域をラベル付けする手法と組み合わせることで、最小のきめ細かなセグメンテーションを実現できることを実証する。

関連論文リスト

Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文参考訳（メタデータ） (2024-09-12T14:54:31Z)
MeshSegmenter: Zero-Shot Mesh Semantic Segmentation via Texture Synthesis [27.703204488877038]
MeshSegmenterは、ゼロショット3Dセマンティックセグメンテーション用に設計されたフレームワークである。さまざまなメッシュとセグメント記述の正確な3Dセグメンテーションを提供する。
論文参考訳（メタデータ） (2024-07-18T16:50:59Z)
LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文参考訳（メタデータ） (2022-10-23T15:43:01Z)
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)
Region-Aware Metric Learning for Open World Semantic Segmentation via Meta-Channel Aggregation [19.584457251137252]
領域認識メトリックラーニング(RAML)という手法を提案する。 RAMLは画像の領域を分離し、さらなるメトリック学習のための領域認識機能を生成する。提案したRAMLは,オープンワールドセグメンテーションの両段階においてSOTA性能を実現する。
論文参考訳（メタデータ） (2022-05-17T04:12:47Z)
Contrastive Boundary Learning for Point Cloud Segmentation [81.7289734276872]
本稿では,ポイントクラウドセグメンテーションのための新しい対照的な境界学習フレームワークを提案する。実験により、CBLは、異なるベースラインを一貫して改善し、バウンダリにおける魅力的なパフォーマンスを達成するのに役立ちます。
論文参考訳（メタデータ） (2022-03-10T10:08:09Z)
The Neurally-Guided Shape Parser: A Monte Carlo Method for Hierarchical Labeling of Over-segmented 3D Shapes [15.856188608650232]
我々はニューラルガイド形状を提示する。 NGSPは、過剰な3次元形状の領域に意味ラベルを割り当てる方法を学ぶ方法である。生成した3次元形状の階層的セマンティックセマンティックセグメンテーションにおけるNGSPの評価を行った。
論文参考訳（メタデータ） (2021-06-22T19:26:01Z)
Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images [58.914034295184685]
サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。 Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
論文参考訳（メタデータ） (2021-06-14T04:35:36Z)
Learning Fine-Grained Segmentation of 3D Shapes without Part Labels [29.837938445219528]
学習に基づく3d形状セグメンテーションは、通常、トレーニング形状のすべての部分が所定のタグセットでアノテートされていると仮定して、意味的なラベリング問題として定式化される。細粒度セグメンテーションを持つ形状データセットから,部分ラベルのない部分前処理を学習するための深層クラスタリングを提案する。提案手法は,最先端性能を示す細粒度セグメンテーションの挑戦的なベンチマークを用いて評価する。
論文参考訳（メタデータ） (2021-03-24T07:27:07Z)
SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
論文参考訳（メタデータ） (2020-10-22T07:15:23Z)
LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文参考訳（メタデータ） (2020-03-18T14:34:08Z)

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。