論文の概要: BPNet: B\'ezier Primitive Segmentation on 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2307.04013v2
• Date: Sun, 15 Oct 2023 08:08:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 04:29:26.337914
• Title: BPNet: B\'ezier Primitive Segmentation on 3D Point Clouds
• Title（参考訳）: BPNet:3Dポイントクラウド上のB\'ezierプリミティブセグメンテーション
• Authors: Rao Fu, Cheng Wen, Qian Li, Xiao Xiao, Pierre Alliez
• Abstract要約: BPNetは、3Dポイントクラウド上のB'ezierプリミティブセグメンテーションを学ぶための、新しいエンドツーエンドのディープラーニングフレームワークである。 B'ezierプリミティブセグメンテーションと幾何フィッティングを同時に学習するための共同最適化フレームワークが提案されている。 実験では,推定速度が大幅に速く,従来の作業よりもセグメンテーションにおいて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 17.133617027574353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes BPNet, a novel end-to-end deep learning framework to learn B\'ezier primitive segmentation on 3D point clouds. The existing works treat different primitive types separately, thus limiting them to finite shape categories. To address this issue, we seek a generalized primitive segmentation on point clouds. Taking inspiration from B\'ezier decomposition on NURBS models, we transfer it to guide point cloud segmentation casting off primitive types. A joint optimization framework is proposed to learn B\'ezier primitive segmentation and geometric fitting simultaneously on a cascaded architecture. Specifically, we introduce a soft voting regularizer to improve primitive segmentation and propose an auto-weight embedding module to cluster point features, making the network more robust and generic. We also introduce a reconstruction module where we successfully process multiple CAD models with different primitives simultaneously. We conducted extensive experiments on the synthetic ABC dataset and real-scan datasets to validate and compare our approach with different baseline methods. Experiments show superior performance over previous work in terms of segmentation, with a substantially faster inference speed.
• Abstract（参考訳）: 本稿では,3Dポイントクラウド上のB\'ezierプリミティブセグメンテーションを学習するための,新しいエンドツーエンドディープラーニングフレームワークBPNetを提案する。 既存の作品は異なるプリミティブタイプを別々に扱うため、それらは有限形状のカテゴリに制限される。 この問題に対処するため、点雲上の一般化原始セグメント化を求める。 NURBSモデル上のB\'ezier分解からインスピレーションを得て、プリミティブ型をキャストするガイドポイントクラウドセグメンテーションに転送する。 カスケードアーキテクチャ上で同時にb\'ezierプリミティブセグメンテーションと幾何フィッティングを学ぶための統合最適化フレームワークを提案する。 具体的には,プリミティブセグメンテーションを改善するソフト投票調整器を導入し,クラスタポイント機能への自動重み付け埋め込みモジュールを提案する。 また,異なるプリミティブを持つ複数のcadモデルを同時に処理できる再構築モジュールを提案する。 本研究では,abc合成データセットと実スキャンデータセットについて広範な実験を行い,そのアプローチを異なるベースライン法と比較した。 実験では,推定速度が大幅に速く,従来の作業よりもセグメンテーションにおいて優れた性能を示した。

関連論文リスト

• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
  ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。 一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。 基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T11:24:33Z)
• SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
  SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
  論文  参考訳（メタデータ） (2021-12-27T23:55:36Z)
• LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using Permutohedral Lattices [27.048998326468688]
  深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。 本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。 本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
  論文  参考訳（メタデータ） (2021-08-09T10:17:27Z)
• Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes [17.217954254022573]
  メタラーニングに基づく3次元形状分割手法を提案する。 本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
  論文  参考訳（メタデータ） (2021-07-07T01:47:00Z)
• 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)
• HPNet: Deep Primitive Segmentation Using Hybrid Representations [51.56523135057311]
  HPNetは、ポイントクラウドとして表現される3D形状をプリミティブパッチにセグメント化するための、新しいディープラーニングアプローチである。 単一の特徴表現を利用するのとは異なり、HPNetハイブリッド表現は1つの学習されたセマンティック記述子、予測パラメータから派生した2つのスペクトル記述子、および鋭いエッジを符号化する隣接行列を組み合わせる。
  論文  参考訳（メタデータ） (2021-05-22T02:12:46Z)

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。