論文の概要: P2Net: A Post-Processing Network for Refining Semantic Segmentation of
LiDAR Point Cloud based on Consistency of Consecutive Frames
- arxiv url: http://arxiv.org/abs/2212.00567v1
- Date: Thu, 1 Dec 2022 15:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 17:17:47.115816
- Title: P2Net: A Post-Processing Network for Refining Semantic Segmentation of
LiDAR Point Cloud based on Consistency of Consecutive Frames
- Title（参考訳）: P2Net: Consistency of Consecutive Framesに基づくLiDARポイントクラウドのセマンティックセグメンテーションを洗練するための後処理ネットワーク
- Authors: Yutaka Momma, Weimin Wang, Edgar Simo-Serra, Satoshi Iizuka, Ryosuke
Nakamura, Hiroshi Ishikawa
- Abstract要約: 本稿では,ポイントクラウドシーケンスのセマンティックセグメンテーション結果を洗練するための軽量な後処理手法を提案する。
P2Netと呼ばれるこのネットワークは、登録後の連続フレームから一致点間の整合性制約を学習する。
提案手法の有効性は,2つの代表ネットワークが予測した結果と,後処理ネットワークによる改善の有無を比較して検証する。
- 参考スコア（独自算出の注目度）: 25.63934234109252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a lightweight post-processing method to refine the semantic
segmentation results of point cloud sequences. Most existing methods usually
segment frame by frame and encounter the inherent ambiguity of the problem:
based on a measurement in a single frame, labels are sometimes difficult to
predict even for humans. To remedy this problem, we propose to explicitly train
a network to refine these results predicted by an existing segmentation method.
The network, which we call the P2Net, learns the consistency constraints
between coincident points from consecutive frames after registration. We
evaluate the proposed post-processing method both qualitatively and
quantitatively on the SemanticKITTI dataset that consists of real outdoor
scenes. The effectiveness of the proposed method is validated by comparing the
results predicted by two representative networks with and without the
refinement by the post-processing network. Specifically, qualitative
visualization validates the key idea that labels of the points that are
difficult to predict can be corrected with P2Net. Quantitatively, overall mIoU
is improved from 10.5% to 11.7% for PointNet [1] and from 10.8% to 15.9% for
PointNet++ [2].
- Abstract（参考訳）: 本稿では,ポイントクラウドシーケンスのセマンティックセグメンテーション結果を洗練するための軽量な後処理手法を提案する。
既存のほとんどの手法はフレーム単位でフレームを分割し、問題の本質的な曖昧さに遭遇する。
この問題を改善するために,既存のセグメンテーション手法によって予測される結果を洗練するために,ネットワークを明示的に訓練することを提案する。
P2Netと呼ばれるこのネットワークは、登録後の連続フレームから一致点間の整合性制約を学習する。
提案手法は,実際の屋外シーンからなるsemantickittiデータセットを定性的かつ定量的に評価する。
提案手法の有効性は,2つの代表ネットワークが予測する結果と,後処理ネットワークによる改良の有無を比較して検証する。
特に、定性的可視化は、予測が難しい点のラベルをP2Netで修正できるというキーアイデアを検証する。
定量的には、mIoUはPointNet [1]で10.5%から11.7%、PointNet++ [2]で10.8%から15.9%に改善されている。
関連論文リスト
- Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud
Registration [35.57761839361479]
CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。
我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。
点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
論文 参考訳（メタデータ） (2021-10-26T23:05:00Z) - Rethinking Counting and Localization in Crowds:A Purely Point-Based
Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。
我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文 参考訳（メタデータ） (2021-07-27T11:41:50Z) - Learning point embedding for 3D data processing [2.12121796606941]
現在の点ベース法は本質的に空間関係処理ネットワークである。
PE-Netは高次元空間における点雲の表現を学習する。
実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-07-19T00:25:28Z) - BCNet: Searching for Network Width with Bilaterally Coupled Network [56.14248440683152]
この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。
BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。
提案手法は,他のベースライン手法と比較して,最先端あるいは競合的な性能を実現する。
論文 参考訳（メタデータ） (2021-05-21T18:54:03Z) - SPICE: Semantic Pseudo-labeling for Image Clustering [5.357314252311141]
SPICEはSemantic Pseudo-labeling framework for Image ClustEringである。
自己学習を通じて擬似ラベルを生成し、擬似ラベルベースの分類損失を使用してディープクラスタリングネットワークを訓練する。
本手法は,調整ランドインデックス,正規化相互情報,クラスタリング精度において,現在の最良値を約10%向上させる。
論文 参考訳（メタデータ） (2021-03-17T00:52:27Z) - Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
大量の核が混在しているため、機械学習モデルはうまく機能しない。
我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
論文 参考訳（メタデータ） (2020-06-04T08:26:38Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z) - Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。
BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。
境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文 参考訳（メタデータ） (2020-02-18T16:34:01Z)
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。