論文の概要: Spherical Feature Pyramid Networks For Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2307.02658v1
• Date: Wed, 5 Jul 2023 21:19:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:53:10.693905
• Title: Spherical Feature Pyramid Networks For Semantic Segmentation
• Title（参考訳）: 意味セグメンテーションのための球状特徴ピラミッドネットワーク
• Authors: Thomas Walker, Varun Anand, Pavlos Andreadis
• Abstract要約: 球面メッシュ上で信号を表現するグラフベースモデルを開発した。 従来最高の球面CNNよりも3.75IoUポイント向上したmIOUの48.75で最先端の性能を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation for spherical data is a challenging problem in machine learning since conventional planar approaches require projecting the spherical image to the Euclidean plane. Representing the signal on a fundamentally different topology introduces edges and distortions which impact network performance. Recently, graph-based approaches have bypassed these challenges to attain significant improvements by representing the signal on a spherical mesh. Current approaches to spherical segmentation exclusively use variants of the UNet architecture, meaning more successful planar architectures remain unexplored. Inspired by the success of feature pyramid networks (FPNs) in planar image segmentation, we leverage the pyramidal hierarchy of graph-based spherical CNNs to design spherical FPNs. Our spherical FPN models show consistent improvements over spherical UNets, whilst using fewer parameters. On the Stanford 2D-3D-S dataset, our models achieve state-of-the-art performance with an mIOU of 48.75, an improvement of 3.75 IoU points over the previous best spherical CNN.
• Abstract（参考訳）: 従来の平面法では球面画像をユークリッド平面に投影する必要があるため、球面データのセマンティックセグメンテーションは機械学習では難しい問題である。 基本的に異なるトポロジ上の信号を表現することは、ネットワーク性能に影響を及ぼすエッジと歪みをもたらす。 近年、グラフベースのアプローチはこれらの課題を克服し、球面メッシュ上の信号を表現することで、大幅な改善を実現している。 球状セグメンテーションへの現在のアプローチは、UNetアーキテクチャの変種のみを使用するため、より成功した平面アーキテクチャは未探索のままである。 平面画像分割における特徴ピラミッドネットワーク(fpns)の成功に触発されて,グラフベースの球面cnnのピラミッド階層を利用して球面fpnを設計する。 球面fpnモデルは球面のunetsに対して一貫した改善を示し、パラメータは少ない。 スタンフォードの2D-3D-Sデータセットでは、これまでの球面CNNよりも3.75IoUポイント向上した48.75のmIOUで最先端のパフォーマンスを達成した。

関連論文リスト

• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
  本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。 本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。 得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-10-17T22:40:50Z)
• Surface Vision Transformers: Attention-Based Modelling applied to Cortical Analysis [8.20832544370228]
  球面多様体上に投影された任意の曲面データを研究するために、ドメインに依存しないアーキテクチャを導入する。 ビジョントランスモデルは、連続したマルチヘッド自己アテンション層を介してパッチのシーケンスを符号化する。 実験の結果、SiTは一般的に表面CNNよりも優れており、登録データと未登録データで比較可能であることがわかった。
  論文  参考訳（メタデータ） (2022-03-30T15:56:11Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Spherical Transformer: Adapting Spherical Signal to CNNs [53.18482213611481]
  Spherical Transformerは、球状信号を標準CNNで直接処理できるベクトルに変換できます。 我々は,球面MNIST認識,3次元オブジェクト分類,全方向画像セマンティックセグメンテーションの課題に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2021-01-11T12:33:16Z)

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。