論文の概要: OSIS: Efficient One-stage Network for 3D Instance Segmentation

• arxiv url: http://arxiv.org/abs/2303.07011v1
• Date: Mon, 13 Mar 2023 11:11:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 15:26:25.953306
• Title: OSIS: Efficient One-stage Network for 3D Instance Segmentation
• Title（参考訳）: OSIS: 3Dインスタンスセグメンテーションのための効率的なワンステージネットワーク
• Authors: Chuan Tang, Xi Yang
• Abstract要約: OSISは、ニューラルネットワークを使用して3Dポイントクラウドデータから直接インスタンスをセグメントする、ワンステージネットワークである。 我々のネットワークは、一般的に使われている屋内シーンインスタンスのセグメンテーションデータセットにおいて優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 4.442097427406611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current 3D instance segmentation models generally use multi-stage methods to extract instance objects, including clustering, feature extraction, and post-processing processes. However, these multi-stage approaches rely on hyperparameter settings and hand-crafted processes, which restrict the inference speed of the model. In this paper, we propose a new 3D point cloud instance segmentation network, named OSIS. OSIS is a one-stage network, which directly segments instances from 3D point cloud data using neural network. To segment instances directly from the network, we propose an instance decoder, which decodes instance features from the network into instance segments. Our proposed OSIS realizes the end-to-end training by bipartite matching, therefore, our network does not require computationally expensive post-processing steps such as non maximum suppression (NMS) and clustering during inference. The results show that our network finally achieves excellent performance in the commonly used indoor scene instance segmentation dataset, and the inference speed of our network is only an average of 138ms per scene, which substantially exceeds the previous fastest method.
• Abstract（参考訳）: 現在の3dインスタンスセグメンテーションモデルは一般的に、クラスタリング、特徴抽出、後処理プロセスを含むインスタンスオブジェクトを抽出するために多段階メソッドを使用する。 しかし、これらの多段階アプローチは、モデルの推論速度を制限するハイパーパラメータ設定と手作りのプロセスに依存している。 本稿では,OSISと呼ばれる新しい3Dポイント・クラウド・インスタンス・セグメンテーション・ネットワークを提案する。 OSISは、ニューラルネットワークを使用して3Dポイントクラウドデータから直接インスタンスをセグメントする、ワンステージネットワークである。 ネットワークから直接インスタンスをセグメント化するために,ネットワークからインスタンスセグメントへインスタンス機能をデコードするインスタンスデコーダを提案する。 提案手法は,2部マッチングによるエンドツーエンドトレーニングを実現するため,非最大抑制(nms)や推論時のクラスタリングといった計算コストの高い後処理ステップを必要としない。 その結果,我々のネットワークは,一般的に使用される屋内シーンインスタンスセグメンテーションデータセットにおいて,最終的に優れた性能を達成し,ネットワークの推論速度は1シーンあたり平均138ミリ秒であり,従来の最速手法を大きく上回ることがわかった。

関連論文リスト

• Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast Contrastive Fusion [110.84357383258818]
  本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。 このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。 我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
  論文  参考訳（メタデータ） (2023-06-07T17:57:45Z)
• ISBNet: a 3D Point Cloud Instance Segmentation Network with Instance-aware Sampling and Box-aware Dynamic Convolution [14.88505076974645]
  ISBNetは、インスタンスをカーネルとして表現し、動的畳み込みを通じてインスタンスマスクをデコードする新しい方法である。 我々は,ScanNetV2 (55.9), S3DIS (60.8), S3LS3D (49.2) にAPの条件で新たな最先端結果を設定し,ScanNetV2のシーンあたり237msの高速推論時間を保持する。
  論文  参考訳（メタデータ） (2023-03-01T06:06:28Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• Superpoint Transformer for 3D Scene Instance Segmentation [7.07321040534471]
  本稿では,SPFormer という名称の Superpoint Transformer に基づく,エンドツーエンドの3Dインスタンス分割手法を提案する。 ポイントクラウドからスーパーポイントに潜在的な機能をグループ化し、クエリベクタを通じてインスタンスを直接予測する。 これは、mAPの点でScanNetv2の隠れテストセットを4.3%上回り、高速な推論速度(フレーム当たり247ms)を同時に維持する。
  論文  参考訳（メタデータ） (2022-11-28T20:52:53Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Instance Segmentation in 3D Scenes using Semantic Superpoint Tree Networks [64.27814530457042]
  本稿では,シーンポイントからオブジェクトインスタンスを提案するセマンティックスーパーポイントツリーネットワーク(SSTNet)のエンドツーエンドソリューションを提案する。 SSTNetのキーは中間的セマンティックなスーパーポイントツリー(SST)であり、スーパーポイントの学習されたセマンティックな特徴に基づいて構築されている。 SSTNetはScanNet(V2)のリーダーボードで上位にランクされ、第2のベストメソッドよりもmAPが2%高い。
  論文  参考訳（メタデータ） (2021-08-17T07:25:14Z)
• SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D Semantic Segmentation [65.96170587706148]
  3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。 グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-29T20:16:37Z)
• Spatial Semantic Embedding Network: Fast 3D Instance Segmentation with Deep Metric Learning [5.699350798684963]
  ディープラーニングを用いた3次元インスタンスセグメンテーションのための,単純かつ効率的なアルゴリズムを提案する。 大規模シーンからの高レベルのインテリジェントなタスクに対して、3Dインスタンスセグメンテーションはオブジェクトの個々のインスタンスを認識する。 我々は,ScanNet 3D インスタンス分割ベンチマークにおいて,我々のアルゴリズムの最先端性能をAPスコアで示す。
  論文  参考訳（メタデータ） (2020-07-07T02:17:44Z)
• Conditional Convolutions for Instance Segmentation [109.2706837177222]
  我々はCondInstと呼ばれるシンプルだが効果的なインスタンスセグメンテーションフレームワークを提案する。 インスタンスに条件付き動的インスタンス認識ネットワークを採用しています。 本稿では,精度と推論速度の両面で性能の向上を実現するための,より単純なインスタンス分割法を示す。
  論文  参考訳（メタデータ） (2020-03-12T08:42:36Z)

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。