論文の概要: PointSSC: A Cooperative Vehicle-Infrastructure Point Cloud Benchmark for Semantic Scene Completion

• arxiv url: http://arxiv.org/abs/2309.12708v2
• Date: Thu, 7 Mar 2024 02:50:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 17:57:19.923671
• Title: PointSSC: A Cooperative Vehicle-Infrastructure Point Cloud Benchmark for Semantic Scene Completion
• Title（参考訳）: PointSSC: セマンティックシーンコンプリートのための協調車両・インフラクラウドベンチマーク
• Authors: Yuxiang Yan, Boda Liu, Jianfei Ai, Qinbu Li, Ru Wan, Jian Pu
• Abstract要約: Semantic Scene Completionは、複雑な3Dシーンのための空間占有とセマンティックラベルを共同で生成することを目的としている。 PointSSCは、セマンティックシーン補完のための最初の協調的な車両とインフラのポイントクラウドベンチマークである。
• 参考スコア（独自算出の注目度）: 4.564209472726044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic Scene Completion (SSC) aims to jointly generate space occupancies and semantic labels for complex 3D scenes. Most existing SSC models focus on volumetric representations, which are memory-inefficient for large outdoor spaces. Point clouds provide a lightweight alternative but existing benchmarks lack outdoor point cloud scenes with semantic labels. To address this, we introduce PointSSC, the first cooperative vehicle-infrastructure point cloud benchmark for semantic scene completion. These scenes exhibit long-range perception and minimal occlusion. We develop an automated annotation pipeline leveraging Semantic Segment Anything to efficiently assign semantics. To benchmark progress, we propose a LiDAR-based model with a Spatial-Aware Transformer for global and local feature extraction and a Completion and Segmentation Cooperative Module for joint completion and segmentation. PointSSC provides a challenging testbed to drive advances in semantic point cloud completion for real-world navigation. The code and datasets are available at https://github.com/yyxssm/PointSSC.
• Abstract（参考訳）: Semantic Scene Completion (SSC)は、複雑な3Dシーンのための空間占有とセマンティックラベルを共同で生成することを目的としている。 既存のSSCモデルは、大きな屋外空間においてメモリ非効率なボリューム表現に焦点をあてている。 ポイントクラウドは軽量な代替手段を提供するが、既存のベンチマークにはセマンティックラベルを備えた屋外ポイントクラウドシーンがない。 そこで本研究では,セマンティックシーン補完のための最初の協調型車両・インフラ間点クラウドベンチマークであるPointSSCを紹介する。 これらのシーンは長距離の知覚と最小限の閉塞を示す。 セマンティックセグメンテーションを利用した自動アノテーションパイプラインを開発し,セマンティックセグメンテーションを効率的に割り当てる。 本稿では,グローバルかつローカルな特徴抽出のための空間認識変換器と,共同補完とセグメント化のためのコンプリート・セグメンテーション協調モジュールを用いたLiDARモデルを提案する。 PointSSCは、現実世界のナビゲーションのためのセマンティックポイントクラウド補完の進歩を駆動するための挑戦的なテストベッドを提供する。 コードとデータセットはhttps://github.com/yyxsm/pointsscで入手できる。

関連論文リスト

• Concavity-Induced Distance for Unoriented Point Cloud Decomposition [10.222671903932612]
  凹凸誘起距離(CID)は、無向点雲における一対の点間の相似性を測定する新しい方法である。 メッシュ化や正規推定を必要とせずに,CIDがポイントクラウド分析のメリットを実証する。
  論文  参考訳（メタデータ） (2023-06-19T16:35:09Z)
• SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
  SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。 我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。 クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
  論文  参考訳（メタデータ） (2023-06-15T09:56:33Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• CasFusionNet: A Cascaded Network for Point Cloud Semantic Scene Completion by Dense Feature Fusion [14.34344002500153]
  本稿では,高密度特徴融合によるポイントクラウドセマンティックシーン補完のための新しいカスケードネットワークCasFusionNetを提案する。 上記の3つのモジュールを,各レベルでの高密度な特徴融合によって整理し,合計4つのレベルをカスケードし,各レベル間の特徴融合を十分な情報利用に活用する。
  論文  参考訳（メタデータ） (2022-11-24T16:36:42Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Semantic Segmentation-assisted Scene Completion for LiDAR Point Clouds [9.489733900529204]
  本稿では,エンド・ツー・エンドのセマンティックセグメンテーション支援シーン補完ネットワークを提案する。 ネットワークは生の点クラウドを入力として、セグメンテーションブランチから補完ブランチを階層的にマージする。 提案手法は,低レイテンシでセマンティックKITTIデータセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2021-09-23T15:55:45Z)
• SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network for 3D Indoor Scenes [6.3364439467281315]
  本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。 具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
  論文  参考訳（メタデータ） (2021-07-08T04:43:21Z)
• Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion [43.86692068523167]
  LiDARポイントクラウド分析は、3Dコンピュータビジョン、特に自動運転のコアタスクである。 本論文では,学習したコンテキスト形状の優先度を補助する新しいLiDAR点群セマンティックセグメンテーションフレームワークを提案する。 JS3C-NetはSemanticKITTIとSemanticPOSSベンチマークの両方で優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-12-07T14:58:25Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)

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。