論文の概要: Using a Waffle Iron for Automotive Point Cloud Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2301.10100v1
- Date: Tue, 24 Jan 2023 16:10:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 13:06:20.340430
- Title: Using a Waffle Iron for Automotive Point Cloud Semantic Segmentation
- Title(参考訳): ワッフル鉄を用いた自動車点雲セマンティックセグメンテーション
- Authors: Gilles Puy, Alexandre Boulch, Renaud Marlet
- Abstract要約: 特別なツールを使わずに、優れたパフォーマンスのポイントベースのバックボーンを構築できることが示されています。
このバックボーンであるWaffleIronは、ジェネリクスと高密度な2D畳み込みに大きく依存しており、実装が容易で、調整が容易なパラメータがわずかに含まれている。
- 参考スコア(独自算出の注目度): 82.86743909483312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic segmentation of point clouds in autonomous driving datasets requires
techniques that can process large numbers of points over large field of views.
Today, most deep networks designed for this task exploit 3D sparse convolutions
to reduce memory and computational loads. The best methods then further exploit
specificities of rotating lidar sampling patterns to further improve the
performance, e.g., cylindrical voxels, or range images (for feature fusion from
multiple point cloud representations). In contrast, we show that one can build
a well-performing point-based backbone free of these specialized tools. This
backbone, WaffleIron, relies heavily on generic MLPs and dense 2D convolutions,
making it easy to implement, and contains just a few parameters easy to tune.
Despite its simplicity, our experiments on SemanticKITTI and nuScenes show that
WaffleIron competes with the best methods designed specifically for these
autonomous driving datasets. Hence, WaffleIron is a strong, easy-to-implement,
baseline for semantic segmentation of sparse outdoor point clouds.
- Abstract(参考訳): 自律運転データセットにおける点雲のセマンティックセグメンテーションには、広い視野で多数の点を処理できる技術が必要である。
今日、このタスクのために設計されたほとんどのディープネットワークは、メモリと計算負荷を減らすために3dスパース畳み込みを利用する。
最良の方法は、回転lidarサンプリングパターンの特異性を更に活用し、例えば円筒ボクセルや範囲画像(多点雲表現からの特徴融合)の性能をさらに向上させる。
対照的に、これらの特殊なツールなしで、うまく機能するポイントベースのバックボーンを構築できることを示します。
このバックボーンであるWaffleIronは、ジェネリックMPPと高密度な2D畳み込みに大きく依存しており、実装が容易で、調整が容易なパラメータがいくつか含まれている。
その単純さにもかかわらず、SemanticKITTIとnuScenesの実験は、WaffleIronがこれらの自律運転データセット用に設計された最良の方法と競合していることを示している。
したがって、WaffleIronは、疎い屋外点雲のセマンティックセグメンテーションのための、強力で実装が容易なベースラインである。
関連論文リスト
- CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳(メタデータ) (2022-07-31T21:39:15Z) - Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。
不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。
S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文 参考訳(メタデータ) (2022-03-28T05:35:16Z) - LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using
Permutohedral Lattices [27.048998326468688]
深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。
本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。
本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
論文 参考訳(メタデータ) (2021-08-09T10:17:27Z) - Dense Supervision Propagation for Weakly Supervised Semantic
Segmentation on 3D Point Clouds [54.12402068922005]
意味点クラウドセグメンテーションネットワークをトレーニングする。
同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。
ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文 参考訳(メタデータ) (2021-07-23T14:34:57Z) - 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) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳(メタデータ) (2021-07-06T05:08:34Z) - Compositional Prototype Network with Multi-view Comparision for Few-Shot
Point Cloud Semantic Segmentation [47.0611707526858]
完全に教師ありのポイントクラウドセグメンテーションネットワークは、しばしばポイントワイズアノテーションを持つ大量のデータを必要とする。
少数のラベル付きトレーニングデータだけでポイントクラウドのセグメンテーションを行うことができるコンポジションプロトタイプネットワークを紹介します。
画像中の少数の学習文献にインスパイアされたネットワークは、限られたトレーニングデータから予測のためのラベルのないテストデータに直接ラベル情報を転送します。
論文 参考訳(メタデータ) (2020-12-28T15:01:34Z) - Segment as Points for Efficient Online Multi-Object Tracking and
Segmentation [66.03023110058464]
本稿では,コンパクトな画像表現を非秩序な2次元点クラウド表現に変換することで,セグメントに基づくインスタンス埋め込みの学習に有効な方法を提案する。
本手法は,画像ではなく,ランダムに選択された点から識別インスタンスの埋め込みを学習する,新たなトラッキング・バイ・ポイントのパラダイムを生成する。
PointTrackという名前のオンラインMOTSフレームワークは、最先端のすべてのメソッドを大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-07-03T08:29:35Z) - MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point
Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。
MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文 参考訳(メタデータ) (2020-04-05T18:02:07Z)
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。