論文の概要: MRNet: Multiple-Input Receptive Field Network for Large-Scale Point
Cloud Segmentation
- arxiv url: http://arxiv.org/abs/2301.12972v1
- Date: Mon, 30 Jan 2023 15:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 14:15:53.723795
- Title: MRNet: Multiple-Input Receptive Field Network for Large-Scale Point
Cloud Segmentation
- Title（参考訳）: mrnet:大規模ポイントクラウドセグメンテーションのためのマルチ入力レセプティブフィールドネットワーク
- Authors: Sunghwan Yoo, Yeongjeong Jeong, Maryam Jameela, Gunho Sohn
- Abstract要約: 本稿では,多入力のフィールド処理セマンティックセグメンテーションネットワークMRNetを提案する。
特に、入力受容場のサイズは、異なる大きさのオブジェクトの性能に大きな影響を及ぼす。
また,大規模クラウドデータセットSensatUrbanに,最先端のパフォーマンスを新たに設定した。
- 参考スコア（独自算出の注目度）: 0.5735035463793007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The size of the input receptive field is one of the most critical aspects in
the semantic segmentation of the point cloud, yet it is one of the most
overlooked parameters. This paper presents the multiple-input receptive field
processing semantic segmentation network MRNet. The fundamental philosophy of
our design is to overcome the size of the input receptive field dilemma. In
particular, the input receptive field's size significantly impacts the
performance of different sizes of objects. To overcome this, we introduce a
parallel processing network with connection modules between the parallel
streams. Our ablation studies show the effectiveness of implemented modules.
Also, we set the new state-of-art performance on the large-scale point cloud
dataset SensatUrban.
- Abstract（参考訳）: 入力受容フィールドのサイズは、ポイントクラウドの意味セグメンテーションにおいて最も重要な側面の1つであるが、最も見過ごされているパラメータの1つである。
本稿では,多入力のフィールド処理セマンティックセグメンテーションネットワークMRNetを提案する。
我々の設計の基本的な哲学は、入力受容場ジレンマのサイズを克服することである。
特に、入力受容場のサイズは、異なる大きさのオブジェクトの性能に大きな影響を及ぼす。
そこで本研究では,並列ストリーム間の接続モジュールを持つ並列処理ネットワークを提案する。
本研究は,実装モジュールの有効性を示す。
また,大規模クラウドデータセットSensatUrbanに,最先端のパフォーマンスを新たに設定した。
関連論文リスト
- FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - Voint Cloud: Multi-View Point Cloud Representation for 3D Understanding [80.04281842702294]
本稿では,複数の視点から抽出した特徴の集合として,各3次元点を表す多視点クラウド(Voint Cloud)の概念を紹介する。
この新しい3次元Vointクラウド表現は、3Dポイントクラウド表現のコンパクト性と、マルチビュー表現の自然なビュー認識性を組み合わせたものである。
理論的に確立された機能を持つVointニューラルネットワーク(VointNet)をデプロイし,Voint空間の表現を学習する。
論文 参考訳（メタデータ） (2021-11-30T13:08:19Z) - Vis2Mesh: Efficient Mesh Reconstruction from Unstructured Point Clouds
of Large Scenes with Learned Virtual View Visibility [17.929307870456416]
非構造点雲からのメッシュ再構築のための新しいフレームワークを提案する。
仮想ビューと従来のグラフカットベースのメッシュ生成において、学習した3Dポイントの可視性を活用します。
論文 参考訳（メタデータ） (2021-08-18T20:28:16Z) - 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) - 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) - FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。
当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文 参考訳（メタデータ） (2021-04-07T23:13:56Z) - 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) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Spherical Interpolated Convolutional Network with Distance-Feature
Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。
提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-27T15:35:12Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z)
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。