論文の概要: SuperLine3D: Self-supervised Line Segmentation and Description for LiDAR Point Cloud

• arxiv url: http://arxiv.org/abs/2208.01925v1
• Date: Wed, 3 Aug 2022 09:06:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 13:49:20.746880
• Title: SuperLine3D: Self-supervised Line Segmentation and Description for LiDAR Point Cloud
• Title（参考訳）: SuperLine3D: LiDAR Point Cloudのための自己教師付きラインセグメンテーションと記述
• Authors: Xiangrui Zhao, Sheng Yang, Tianxin Huang, Jun Chen, Teng Ma, Mingyang Li and Yong Liu
• Abstract要約: 本稿では,LiDAR 点クラウドにおける3次元線に対する最初の学習的特徴分割と記述モデルを提案する。 モデルでは任意のスケールの摂動の下で線を抽出し,共有EdgeConvエンコーダ層を用いて2つのセグメンテーションとディスクリプタヘッドを共同でトレーニングする。 実験により, ラインベース登録法は最先端のポイントベース手法と高い競争力を持つことが示された。
• 参考スコア（独自算出の注目度）: 35.16632339908634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Poles and building edges are frequently observable objects on urban roads, conveying reliable hints for various computer vision tasks. To repetitively extract them as features and perform association between discrete LiDAR frames for registration, we propose the first learning-based feature segmentation and description model for 3D lines in LiDAR point cloud. To train our model without the time consuming and tedious data labeling process, we first generate synthetic primitives for the basic appearance of target lines, and build an iterative line auto-labeling process to gradually refine line labels on real LiDAR scans. Our segmentation model can extract lines under arbitrary scale perturbations, and we use shared EdgeConv encoder layers to train the two segmentation and descriptor heads jointly. Base on the model, we can build a highly-available global registration module for point cloud registration, in conditions without initial transformation hints. Experiments have demonstrated that our line-based registration method is highly competitive to state-of-the-art point-based approaches. Our code is available at https://github.com/zxrzju/SuperLine3D.git.
• Abstract（参考訳）: ポーとビルディングエッジは、しばしば都市道路で観測可能なオブジェクトであり、様々なコンピュータビジョンタスクの信頼できるヒントを提供する。 特徴として繰り返し抽出し、個別のLiDARフレーム間の関連付けを行うために、LiDARポイントクラウドにおける3次元線に対する最初の学習に基づく特徴分割と記述モデルを提案する。 データのラベル付けに時間を費やすことなくモデルをトレーニングするために、まずターゲットラインの基本外観のための合成プリミティブを生成し、反復行の自動ラベル付けプロセスを構築し、実際のLiDARスキャンで線ラベルを徐々に洗練する。 セグメンテーションモデルは任意のスケールの摂動の下で線を抽出し、共有のEdgeConvエンコーダ層を用いて2つのセグメンテーションとディスクリプタヘッドを共同でトレーニングする。 モデルに基づいて、初期変換のヒントなしに、ポイントクラウド登録のための高可用性グローバル登録モジュールを構築することができる。 実験により,ラインベース登録手法は最先端のポイントベース手法と非常に競合することが示された。 私たちのコードはhttps://github.com/zxrzju/superline3d.gitで利用可能です。

関連論文リスト

• Better Call SAL: Towards Learning to Segment Anything in Lidar [63.9984147657437]
  本稿では,Lidar内の任意のオブジェクトをセグメント化,分類するためのテキストプロンプト可能なゼロショットモデルを提案する。 擬似ラベルを用いて2次元視覚基盤モデルを用いて3次元の3次元監督を無償で生成する。 我々のモデルは、クラスに依存しない点では91%、ゼロショットのLidar Panopticonでは54%である。
  論文  参考訳（メタデータ） (2024-03-19T19:58:54Z)
• From CAD models to soft point cloud labels: An automatic annotation pipeline for cheaply supervised 3D semantic segmentation [0.0]
  そこで本研究では,CADモデルを用いた生の3次元点雲を入力として取り出して,説得力のある点ラベルを出力する,完全自動アノテーション手法を提案する。 手動のアノテーションと比較すると、自動ラベルは正確であり、アノテーションの時間を大幅に短縮する。 本研究では,実産業用点雲のデータセットと屋内シーンの公開データセットであるScan2CADを用いて,PointNet++のラベル品質とセグメンテーション性能を評価する。
  論文  参考訳（メタデータ） (2023-02-06T20:33:16Z)
• LWSIS: LiDAR-guided Weakly Supervised Instance Segmentation for Autonomous Driving [34.119642131912485]
  より巧妙なフレームワークであるLiDAR誘導弱監視インスタンス(LWSIS)を提示する。 LWSISは市販の3Dデータ、すなわちポイントクラウドと3Dボックスを2Dイメージインスタンスセグメンテーションモデルをトレーニングするための自然な弱い監督手段として使用している。 我々のLWSISは、訓練中のマルチモーダルデータの補完情報を利用するだけでなく、密集した2Dマスクのコストを大幅に削減します。
  論文  参考訳（メタデータ） (2022-12-07T08:08:01Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network for 3D Indoor Scenes [6.3364439467281315]
  本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。 具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
  論文  参考訳（メタデータ） (2021-07-08T04:43:21Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)

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。