論文の概要: Seg&Struct: The Interplay Between Part Segmentation and Structure Inference for 3D Shape Parsing

• arxiv url: http://arxiv.org/abs/2211.00382v1
• Date: Tue, 1 Nov 2022 10:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 14:11:24.410490
• Title: Seg&Struct: The Interplay Between Part Segmentation and Structure Inference for 3D Shape Parsing
• Title（参考訳）: Seg&Struct:3次元形状解析のための部分分割と構造推論の相互作用
• Authors: Jeonghyun Kim, Kaichun Mo, Minhyuk Sung, Woontack Woo
• Abstract要約: Seg&Structは、部分分割と構造推論の相互作用を活用する教師あり学習フレームワークである。 本稿では、これらの2つのタスクを最大限に組み合わせて、パフォーマンス向上のために監督をフル活用する方法について述べる。
• 参考スコア（独自算出の注目度）: 23.8184215719129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Seg&Struct, a supervised learning framework leveraging the interplay between part segmentation and structure inference and demonstrating their synergy in an integrated framework. Both part segmentation and structure inference have been extensively studied in the recent deep learning literature, while the supervisions used for each task have not been fully exploited to assist the other task. Namely, structure inference has been typically conducted with an autoencoder that does not leverage the point-to-part associations. Also, segmentation has been mostly performed without structural priors that tell the plausibility of the output segments. We present how these two tasks can be best combined while fully utilizing supervision to improve performance. Our framework first decomposes a raw input shape into part segments using an off-the-shelf algorithm, whose outputs are then mapped to nodes in a part hierarchy, establishing point-to-part associations. Following this, ours predicts the structural information, e.g., part bounding boxes and part relationships. Lastly, the segmentation is rectified by examining the confusion of part boundaries using the structure-based part features. Our experimental results based on the StructureNet and PartNet demonstrate that the interplay between the two tasks results in remarkable improvements in both tasks: 27.91% in structure inference and 0.5% in segmentation.
• Abstract（参考訳）: 本稿では,部分分割と構造推論の相互作用を利用した教師付き学習フレームワークseg&structを提案し,それらの相乗効果を統合フレームワークで実証する。 部分分割と構造推論はともに近年の深層学習の文献で広く研究されているが、各タスクで使用される監督は、他のタスクを支援するために十分に活用されていない。 すなわち、構造推論は通常、ポイント・ツー・パート・アソシエーションを利用しないオートエンコーダを用いて行われる。 また、セグメント化は、出力セグメントの妥当性を示す構造的な先入観がほとんどである。 我々は、これらの2つのタスクが、パフォーマンスを改善するための監督を十分に活用しながら、どのように組み合わさることができるかを示す。 筆者らのフレームワークは,まずオフザシェルフアルゴリズムを用いて生の入力形状を部分セグメントに分解し,その出力を部分階層内のノードにマッピングし,点対部分関係を確立する。 これに続いて、我々は構造情報、例えば部分境界ボックスや部分関係を予測する。 最後に、構造に基づく部分特徴を用いた部分境界の混乱を調べることにより、セグメント化を補正する。 structurenet と partnet を用いた実験の結果,この2つのタスク間の相互作用により,両タスクとも27.91% の構造推論と 0.5% のセグメンテーションが著しく改善することがわかった。

関連論文リスト

• From Text Segmentation to Smart Chaptering: A Novel Benchmark for Structuring Video Transcriptions [63.11097464396147]
  音声コンテンツに焦点をあてた新しいベンチマークYTSegを導入し、その内容は本質的に非構造的であり、トポロジと構造的にも多様である。 また,高効率な階層分割モデルMiniSegを導入する。
  論文  参考訳（メタデータ） (2024-02-27T15:59:37Z)
• Topic Segmentation in the Wild: Towards Segmentation of Semi-structured & Unstructured Chats [2.9360071145551068]
  我々は、非構造化テキスト上での最先端トピックセグメンテーションモデルの能力を解析する。 構造化テキストの大きなコーパスでの事前学習は、構造化されていないテキストへの転送可能性に寄与しない。 ターゲット非構造領域の比較的小さなデータセットのみをスクラッチからトレーニングすることで、セグメンテーション結果が大幅に改善される。
  論文  参考訳（メタデータ） (2022-11-27T22:17:16Z)
• StructToken : Rethinking Semantic Segmentation with Structural Prior [14.056789487558731]
  本稿では,構造認識抽出というセマンティックセグメンテーションの新しいパラダイムを提案する。 その特徴から各カテゴリの構造情報を段階的に抽出することを目的とした,一連の学習された構造トークンと画像特徴との相互作用によるセグメンテーション結果を生成する。 私たちのStructTokenは、ADE20K、Cityscapes、COCO-Stuff-10Kなど、広く使われている3つのベンチマークにおいて、最先端のベンチマークを上回っています。
  論文  参考訳（メタデータ） (2022-03-23T17:58:31Z)
• 3D Compositional Zero-shot Learning with DeCompositional Consensus [102.7571947144639]
  我々は、部分的知識は観察されたオブジェクトクラスを超えて構成可能であるべきだと論じる。 本稿では、視覚から見えないオブジェクトクラスへの部分一般化の問題として、3D合成ゼロショット学習を提案する。
  論文  参考訳（メタデータ） (2021-11-29T16:34:53Z)
• HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
  本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。 提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T16:33:29Z)
• CI-Net: Contextual Information for Joint Semantic Segmentation and Depth Estimation [2.8785764686013837]
  本稿では,その問題を解決するために,文脈情報(CI-Net)を注入したネットワークを提案する。 セマンティックラベルの監督により、ネットワークにはコンテキスト情報が埋め込まれており、シーンをよりよく理解することができる。 提案したCI-NetをNYU-Depth-v2およびSUN-RGBDデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-29T07:58:25Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)
• Motion-supervised Co-Part Segmentation [88.40393225577088]
  本稿では,コパートセグメンテーションのための自己教師型ディープラーニング手法を提案する。 提案手法は,映像から推定される動き情報を有効活用して意味のある物体の発見を可能にする。
  論文  参考訳（メタデータ） (2020-04-07T09:56:45Z)

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。