論文の概要: 3D Semantic Segmentation in the Wild: Learning Generalized Models for
Adverse-Condition Point Clouds
- arxiv url: http://arxiv.org/abs/2304.00690v1
- Date: Mon, 3 Apr 2023 02:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 16:43:19.100006
- Title: 3D Semantic Segmentation in the Wild: Learning Generalized Models for
Adverse-Condition Point Clouds
- Title（参考訳）: 野生における3次元セマンティックセマンティックセグメンテーション--逆導電点雲の一般モデル学習
- Authors: Aoran Xiao, Jiaxing Huang, Weihao Xuan, Ruijie Ren, Kangcheng Liu,
Dayan Guan, Abdulmotaleb El Saddik, Shijian Lu, Eric Xing
- Abstract要約: 我々は,高密度なポイントレベルのアノテーションを提供する,悪天候なポイントクラウドデータセットであるSemanticSTFを紹介した。
1) 正規ウェザーデータから悪ウェザーデータに適応するドメイン適応型3DSS, 2) 正規ウェザーデータから全ウェザーモデルを学ぶドメイン一般化型3DSSである。
- 参考スコア（独自算出の注目度）: 39.93598343454411
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Robust point cloud parsing under all-weather conditions is crucial to level-5
autonomy in autonomous driving. However, how to learn a universal 3D semantic
segmentation (3DSS) model is largely neglected as most existing benchmarks are
dominated by point clouds captured under normal weather. We introduce
SemanticSTF, an adverse-weather point cloud dataset that provides dense
point-level annotations and allows to study 3DSS under various adverse weather
conditions. We study all-weather 3DSS modeling under two setups: 1) domain
adaptive 3DSS that adapts from normal-weather data to adverse-weather data; 2)
domain generalizable 3DSS that learns all-weather 3DSS models from
normal-weather data. Our studies reveal the challenge while existing 3DSS
methods encounter adverse-weather data, showing the great value of SemanticSTF
in steering the future endeavor along this very meaningful research direction.
In addition, we design a domain randomization technique that alternatively
randomizes the geometry styles of point clouds and aggregates their embeddings,
ultimately leading to a generalizable model that can improve 3DSS under various
adverse weather effectively. The SemanticSTF and related codes are available at
\url{https://github.com/xiaoaoran/SemanticSTF}.
- Abstract（参考訳）: 全天候条件下でのロバストポイントクラウド解析は、自動運転におけるレベル5の自律性に不可欠である。
しかしながら、一般的な3Dセマンティックセグメンテーション(DSS)モデルを学習する方法はほとんど無視されている。
我々は,ポイントレベルの密接なアノテーションを提供し,様々な気象条件下で3dsを解析可能な,悪天候のポイントクラウドデータセットであるsemanticstfを紹介する。
全天候3DSSモデリングを2つの設定で検討する。
1) 正常ウェザーデータから悪ウェザーデータに適応するドメイン適応型3DSS
2) ドメイン一般化可能な3DSSは, 通常の天候データから全天候3DSSモデルを学習する。
本研究は,既存の3DSS手法が悪天候データに遭遇する際の課題を明らかにするものである。
さらに,点雲の幾何学的スタイルをランダム化し,それらの埋め込みを集約するドメインランダム化手法を考案し,その結果,様々な悪天候下で3dsを効果的に改善できる一般化モデルを構築した。
SemanticSTFと関連するコードは、 \url{https://github.com/xiaoaoran/SemanticSTF}で入手できる。
関連論文リスト
- Toward Availability Attacks in 3D Point Clouds [28.496421433836908]
距離正規化による2次元アベイラビリティーアタックを3次元点群に直接適用することは, 縮退の影響を受けやすいことを示す。
特徴空間に新たなショートカットを生成するFC-EM(Feature Collision Error-Minimization)法を提案する。
典型的なポイントクラウドデータセット,3次元頭蓋内動脈瘤医療データセット,および3次元顔データセットを用いて,我々のアプローチの優位性と実用性を検証する。
論文 参考訳（メタデータ） (2024-06-26T08:13:30Z) - U3DS$^3$: Unsupervised 3D Semantic Scene Segmentation [19.706172244951116]
本稿では,U3DS$3$について,総合的な3Dシーンに対して,完全に教師なしのポイントクラウドセグメンテーションに向けたステップとして提示する。
提案手法の最初のステップは,各シーンの幾何学的特徴に基づいてスーパーポイントを生成することである。
次に、空間クラスタリングに基づく手法を用いて学習プロセスを行い、次いで、クラスタセントロイドに応じて生成された擬似ラベルを用いて反復的なトレーニングを行う。
論文 参考訳（メタデータ） (2023-11-10T12:05:35Z) - Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文 参考訳（メタデータ） (2022-10-31T01:53:51Z) - LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。
本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。
我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
論文 参考訳（メタデータ） (2022-03-28T21:48:26Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳（メタデータ） (2021-12-09T08:50:54Z) - Lifting 2D Object Locations to 3D by Discounting LiDAR Outliers across
Objects and Views [70.1586005070678]
本稿では,2次元マスクオブジェクトの予測と生のLiDAR点雲を自動的に3次元境界ボックスに変換するシステムを提案する。
これらの手法は, より複雑なパイプラインや3Dモデル, 付加的な人為的な事前情報ソースを使用するにもかかわらず, 従来よりもはるかに優れていた。
論文 参考訳（メタデータ） (2021-09-16T13:01:13Z) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-12T06:25:11Z) - Spatio-temporal Self-Supervised Representation Learning for 3D Point
Clouds [96.9027094562957]
ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。
幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。
STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
論文 参考訳（メタデータ） (2021-09-01T04:17:11Z) - A Nearest Neighbor Network to Extract Digital Terrain Models from 3D
Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。
我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文 参考訳（メタデータ） (2020-05-21T15:54:55Z)
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。