論文の概要: PointHR: Exploring High-Resolution Architectures for 3D Point Cloud
Segmentation
- arxiv url: http://arxiv.org/abs/2310.07743v1
- Date: Wed, 11 Oct 2023 09:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 14:31:53.412435
- Title: PointHR: Exploring High-Resolution Architectures for 3D Point Cloud
Segmentation
- Title(参考訳): PointHR: 3Dポイントクラウドセグメンテーションのための高解像度アーキテクチャを探る
- Authors: Haibo Qiu, Baosheng Yu, Yixin Chen, Dacheng Tao
- Abstract要約: 3Dポイントクラウドセグメンテーションのための高分解能アーキテクチャについて検討する。
我々は、特徴抽出のためのknnベースのシーケンス演算子と差分再サンプリング演算子を含む、PointHRという名前の統一パイプラインを提案する。
S3DISとScanNetV2データセットを用いて,これらのアーキテクチャを高密度点雲解析のために評価する。
- 参考スコア(独自算出の注目度): 77.44144260601182
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Significant progress has been made recently in point cloud segmentation
utilizing an encoder-decoder framework, which initially encodes point clouds
into low-resolution representations and subsequently decodes high-resolution
predictions. Inspired by the success of high-resolution architectures in image
dense prediction, which always maintains a high-resolution representation
throughout the entire learning process, we consider it also highly important
for 3D dense point cloud analysis. Therefore, in this paper, we explore
high-resolution architectures for 3D point cloud segmentation. Specifically, we
generalize high-resolution architectures using a unified pipeline named
PointHR, which includes a knn-based sequence operator for feature extraction
and a differential resampling operator to efficiently communicate different
resolutions. Additionally, we propose to avoid numerous on-the-fly computations
of high-resolution architectures by pre-computing the indices for both sequence
and resampling operators. By doing so, we deliver highly competitive
high-resolution architectures while capitalizing on the benefits of
well-designed point cloud blocks without additional effort. To evaluate these
architectures for dense point cloud analysis, we conduct thorough experiments
using S3DIS and ScanNetV2 datasets, where the proposed PointHR outperforms
recent state-of-the-art methods without any bells and whistles. The source code
is available at \url{https://github.com/haibo-qiu/PointHR}.
- Abstract(参考訳): ポイントクラウドをまず低解像度表現にエンコードし、その後高分解能予測をデコードするエンコーダ-デコーダフレームワークを利用して、ポイントクラウドセグメンテーションにおいて重要な進歩がなされている。
画像密度予測における高分解能アーキテクチャの成功に触発され,学習プロセス全体を通して常に高分解能表現を維持している。
そこで本稿では,3dポイントクラウドセグメンテーションのための高分解能アーキテクチャについて検討する。
具体的には,特徴抽出のためのknnベースのシーケンス演算子と,異なる解像度を効率的に通信するための差分再サンプリング演算子を含む,pointhrという統一パイプラインを用いて高分解能アーキテクチャを一般化する。
さらに,シーケンス演算子と再サンプリング演算子のインデックスを事前に計算することにより,高分解能アーキテクチャのオンザフライ計算を回避することを提案する。
これにより、高い競争力を持つ高解像度アーキテクチャを提供しながら、十分な設計のポイントクラウドブロックのメリットを、追加の労力なしで実現しています。
S3DISおよびScanNetV2データセットを用いて,これらのアーキテクチャを高密度点雲解析のために評価する。
ソースコードは \url{https://github.com/haibo-qiu/pointhr} で入手できる。
関連論文リスト
- V-DETR: DETR with Vertex Relative Position Encoding for 3D Object
Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。
限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。
挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文 参考訳(メタデータ) (2023-08-08T17:14:14Z) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳(メタデータ) (2022-11-15T15:58:36Z) - Learning Local Displacements for Point Cloud Completion [93.54286830844134]
本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。
アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。
オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-03-30T18:31:37Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - A Holistically-Guided Decoder for Deep Representation Learning with
Applications to Semantic Segmentation and Object Detection [74.88284082187462]
一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。
本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
論文 参考訳(メタデータ) (2020-12-18T10:51:49Z) - Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene
Understanding [19.134536179555102]
生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。
提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
論文 参考訳(メタデータ) (2020-11-29T12:56:19Z)
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。