論文の概要: NeuralBF: Neural Bilateral Filtering for Top-down Instance Segmentation
on Point Clouds
- arxiv url: http://arxiv.org/abs/2207.09978v1
- Date: Wed, 20 Jul 2022 15:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:07:58.836256
- Title: NeuralBF: Neural Bilateral Filtering for Top-down Instance Segmentation
on Point Clouds
- Title（参考訳）: NeuralBF: ポイントクラウド上のトップダウンインスタンスセグメンテーションのためのニューラルバイラテラルフィルタ
- Authors: Weiwei Sun, Daniel Rebain, Renjie Liao, Vladimir Tankovich, Soroosh
Yazdani, Kwang Moo Yi, Andrea Tagliasacchi
- Abstract要約: 本稿では,3次元点雲の例示生成手法を提案する。
本稿では,この手法が重要なボトルネックとなることを示し,学習カーネルによる繰り返し二元フィルタリングに基づく手法を提案する。
- 参考スコア（独自算出の注目度）: 44.258500431460924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a method for instance proposal generation for 3D point clouds.
Existing techniques typically directly regress proposals in a single
feed-forward step, leading to inaccurate estimation. We show that this serves
as a critical bottleneck, and propose a method based on iterative bilateral
filtering with learned kernels. Following the spirit of bilateral filtering, we
consider both the deep feature embeddings of each point, as well as their
locations in the 3D space. We show via synthetic experiments that our method
brings drastic improvements when generating instance proposals for a given
point of interest. We further validate our method on the challenging ScanNet
benchmark, achieving the best instance segmentation performance amongst the
sub-category of top-down methods.
- Abstract（参考訳）: 本稿では,3次元点雲の例示生成手法を提案する。
既存の手法は通常、単一のフィードフォワードステップで提案を直接レグレッションし、不正確な推定に繋がる。
本稿では,これは重要なボトルネックとして機能し,学習カーネルによる繰り返し二元フィルタリングに基づく手法を提案する。
両側フィルタリングの精神に倣って,各点の深い特徴埋め込みと3次元空間におけるそれらの位置を考察する。
提案手法は,特定の興味点のインスタンス提案を生成する際に,大幅な改善をもたらすことを示す。
ScanNetベンチマークでは,トップダウンメソッドのサブカテゴリ間で最高のインスタンスセグメンテーション性能を実現するため,本手法をさらに検証する。
関連論文リスト
- Joint Top-Down and Bottom-Up Frameworks for 3D Visual Grounding [28.55989894411032]
本稿では,テキスト記述に基づく3Dポイントクラウドシーンにおいて,特定の物体を位置決めする3次元視覚的グラウンディングの課題に取り組む。
既存のメソッドは、トップダウンとボトムアップの2つのカテゴリに分類される。
本稿では,効率を向上しながら性能を向上させることを目的とした,共同トップダウンとボトムアップのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-21T03:33:13Z) - 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) - Unsupervised Learning on 3D Point Clouds by Clustering and Contrasting [11.64827192421785]
教師なし表現学習は、人間の介入なしに機能を自動抽出するための有望な方向である。
本稿では、ポイントワイドおよびグローバルな特徴の学習を行うために、textbfConClu という、一般的な教師なしアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-05T12:54:17Z) - 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) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-28T22:24:07Z) - Holistically-Attracted Wireframe Parsing [123.58263152571952]
本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。
提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2020-03-03T17:43:57Z)
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。