論文の概要: Semantic Segmentation on 3D Point Clouds with High Density Variations

• arxiv url: http://arxiv.org/abs/2307.01489v1
• Date: Tue, 4 Jul 2023 05:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 18:18:33.916742
• Title: Semantic Segmentation on 3D Point Clouds with High Density Variations
• Title（参考訳）: 高密度変動を有する3次元点雲上のセマンティックセグメンテーション
• Authors: Ryan Faulkner, Luke Haub, Simon Ratcliffe, Ian Reid, Tat-Jun Chin
• Abstract要約: HDVNetにはネストしたエンコーダとデコーダの経路があり、それぞれが特定の点密度範囲を扱う。 入力密度の変動を効果的に処理することにより、HDVNetは、非一貫性密度の実点雲上でのセグメンテーション精度において最先端のモデルより優れる。
• 参考スコア（独自算出の注目度）: 44.467561618769714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR scanning for surveying applications acquire measurements over wide areas and long distances, which produces large-scale 3D point clouds with significant local density variations. While existing 3D semantic segmentation models conduct downsampling and upsampling to build robustness against varying point densities, they are less effective under the large local density variations characteristic of point clouds from surveying applications. To alleviate this weakness, we propose a novel architecture called HDVNet that contains a nested set of encoder-decoder pathways, each handling a specific point density range. Limiting the interconnections between the feature maps enables HDVNet to gauge the reliability of each feature based on the density of a point, e.g., downweighting high density features not existing in low density objects. By effectively handling input density variations, HDVNet outperforms state-of-the-art models in segmentation accuracy on real point clouds with inconsistent density, using just over half the weights.
• Abstract（参考訳）: 調査用lidarスキャンは、広範囲および長距離にわたる測定値を取得し、局所密度の異なる大規模な3dポイント雲を生成する。 既存の3dセマンティクスセグメンテーションモデルは、様々な点密度に対して頑健性を構築するために、ダウンサンプリングとアップサンプリングを行うが、測量アプリケーションからの点雲の特徴である大きな局所密度変動では効果が低くなる。 この弱点を解消するため、我々はHDVNetと呼ばれる新しいアーキテクチャを提案し、それぞれが特定の点密度範囲を扱うエンコーダ-デコーダ経路のネストセットを含む。 特徴写像間の相互接続を制限することで、HDVNetは低密度オブジェクトに存在しない高密度特徴の重み付けのような点の密度に基づいて各特徴の信頼性を測定することができる。 入力密度の変動を効果的に処理することにより、HDVNetは、半分以上の重みを使って、実点雲上のセグメント化精度で最先端のモデルより優れる。

関連論文リスト

• DANet: Density Adaptive Convolutional Network with Interactive Attention for 3D Point Clouds [30.54110361164338]
  ローカル機能とコンテキスト依存は、3Dポイントクラウド分析に不可欠である。 DAConvという密度適応型畳み込みを提案する。 IAMは、異なる空間方向に沿ってチャネルアテンションに空間情報を埋め込む。
  論文  参考訳（メタデータ） (2023-03-08T09:46:31Z)
• Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection [85.08249413137558]
  LiDARが生成する点雲は、最先端の3Dオブジェクト検出器の主要な情報源である。 小さい、遠く、不完全な点の少ない物体は、しばしば検出するのが困難である。 Sparse2Denseは、潜在空間における点雲の密度化を学習することで、3D検出性能を効率的に向上する新しいフレームワークである。
  論文  参考訳（メタデータ） (2022-11-23T16:01:06Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Density-preserving Deep Point Cloud Compression [72.0703956923403]
  本研究では,局所密度情報を保存する新しい深部クラウド圧縮手法を提案する。 エンコーダはポイントをサンプリングし、ポイントワイドな特徴を学習し、デコーダはこれらの特徴を使ってポイントをサンプリングする。
  論文  参考訳（メタデータ） (2022-04-27T03:42:15Z)
• Point Density-Aware Voxels for LiDAR 3D Object Detection [8.136649838488042]
  Point Density-Aware Voxel Network (PDV) は、2段階のLiDAR 3Dオブジェクト検出アーキテクチャである。 PDVは、3Dスパースバックボーンからボクセル点セントロイドを介して効率的にボクセル特徴を局在させる。 PDVはOpenデータセットのすべての最先端メソッドより優れています。
  論文  参考訳（メタデータ） (2022-03-10T22:11:06Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• A Density-Aware PointRCNN for 3D Object Detection in Point Clouds [12.077854878153513]
  我々は3次元物体検出のためのPointRCNNの改良版を提案する。 点雲の均一でない密度を扱うために、マルチブランチバックボーンネットワークが採用されている。
  論文  参考訳（メタデータ） (2020-09-11T09:35:13Z)
• 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。