論文の概要: GRJointNET: Synergistic Completion and Part Segmentation on 3D Incomplete Point Clouds

• arxiv url: http://arxiv.org/abs/2311.13997v1
• Date: Thu, 23 Nov 2023 13:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 23:45:15.707719
• Title: GRJointNET: Synergistic Completion and Part Segmentation on 3D Incomplete Point Clouds
• Title（参考訳）: GRJointNET: 3次元不完全点雲の相乗的補完と部分分割
• Authors: Yigit Gurses, Melisa Taspinar, Mahmut Yurt, Sedat Ozer
• Abstract要約: GRNetは、完全点クラウドのための、新しくて最近のディープラーニングソリューションとして提案されている。 GRJointNetは、ポイントクラウド上で共同補完とセグメンテーションを実行するアーキテクチャである。 本研究は,自律システムにおける3次元視覚における点雲の実用性と実用性の向上を約束する。
• 参考スコア（独自算出の注目度）: 7.131731175383414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of three-dimensional (3D) point clouds is an important task for autonomous systems. However, success of segmentation algorithms depends greatly on the quality of the underlying point clouds (resolution, completeness etc.). In particular, incomplete point clouds might reduce a downstream model's performance. GRNet is proposed as a novel and recent deep learning solution to complete point clouds, but it is not capable of part segmentation. On the other hand, our proposed solution, GRJointNet, is an architecture that can perform joint completion and segmentation on point clouds as a successor of GRNet. Features extracted for the two tasks are also utilized by each other to increase the overall performance. We evaluated our proposed network on the ShapeNet-Part dataset and compared its performance to GRNet. Our results demonstrate GRJointNet can outperform GRNet on point completion. It should also be noted that GRNet is not capable of segmentation while GRJointNet is. This study1, therefore, holds a promise to enhance practicality and utility of point clouds in 3D vision for autonomous systems.
• Abstract（参考訳）: 三次元3次元点雲の分割は自律システムにとって重要な課題である。 しかしながら、セグメンテーションアルゴリズムの成功は、基礎となるポイントクラウド(解像度、完全性など)の品質に大きく依存する。 特に不完全点雲は下流モデルの性能を低下させる可能性がある。 grnetは、完全ポイントクラウドに対する新しいディープラーニングソリューションとして提案されているが、部分セグメンテーションはできない。 一方,提案手法であるGRJointNetは,GRNetの後継として,ポイントクラウド上で共同補完とセグメンテーションを行うことができるアーキテクチャである。 2つのタスクのために抽出された特徴も、全体的なパフォーマンスを高めるために互いに利用されます。 提案したネットワークをShapeNet-Partデータセット上で評価し,その性能をGRNetと比較した。 GRJointNet は GRNet より優れていることを示す。 GRJointNetはセグメンテーションができないが、GRJointNetはセグメンテーションができない。 この研究1は、自律システムの3Dビジョンにおける点雲の実用性と実用性を高めることを約束している。

関連論文リスト

• SPCNet: Stepwise Point Cloud Completion Network [26.960246945849246]
  そこで本研究では,多種多様な3次元モデルに対するステップワイズ・ポイント・クラウド・コンプリート・ネットワーク(SPCNet)を提案する。 SPCNetは,まず粗い結果のグローバルな特徴を推測し,次に局所的な特徴をグローバルな特徴の助けを借りて推測し,最後に局所的な特徴と粗い結果の助けを借りて詳細な結果を推測する。
  論文  参考訳（メタデータ） (2022-09-05T03:39:16Z)
• Global Hierarchical Attention for 3D Point Cloud Analysis [88.56041763189162]
  我々は,GHA(Global Hierarchical Attention)と呼ばれる3Dポイントクラウド解析のための新しい注意機構を提案する。 セマンティックセグメンテーションのタスクでは、GHAはScanNet上のMinkowskiEngineベースラインに+1.7%のmIoU増加を与える。 3Dオブジェクト検出タスクでは、GHAはnuScenesデータセット上でCenterPointベースラインを+0.5%mAP改善する。
  論文  参考訳（メタデータ） (2022-08-07T19:16:30Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• 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)
• GSIP: Green Semantic Segmentation of Large-Scale Indoor Point Clouds [64.86292006892093]
  GSIP (Green of Indoor Point clouds) は大規模屋内シーンポイント雲のセマンティックセグメンテーションの効率的なソリューションである。 GSIPには2つの新しいコンポーネントがある: 1) 更なる処理のためにポイントの適切なサブセットを選択するルームスタイルのデータ前処理方法、2) ポイントホップから拡張された新しい特徴抽出器。 実験の結果、GSIPはS3DISデータセットのセグメンテーション性能においてPointNetよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-24T09:26:53Z)
• FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
  本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。 当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-04-07T23:13:56Z)
• Dilated SpineNet for Semantic Segmentation [5.6590540986523035]
  スケール順列ネットワークは、オブジェクト境界ボックス検出とインスタンスセグメンテーションに有望な結果を示した。 本研究では,このセマンティックセグメンテーションのメタアーキテクチャ設計を評価する。 我々は,DeepLabv3システムからNASによって発見されたネットワークであるSpineNet-Segを提案する。
  論文  参考訳（メタデータ） (2021-03-23T02:39:04Z)
• SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D Semantic Segmentation [65.96170587706148]
  3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。 グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-29T20:16:37Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。