論文の概要: Fine-grained Metrics for Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2407.21289v1
• Date: Wed, 31 Jul 2024 02:25:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 19:04:58.096578
• Title: Fine-grained Metrics for Point Cloud Semantic Segmentation
• Title（参考訳）: 点雲セマンティックセマンティックセグメンテーションのためのきめ細かい計量
• Authors: Zhuheng Lu, Ting Wu, Yuewei Dai, Weiqing Li, Zhiyong Su,
• Abstract要約: 2種類の不均衡は、ポイントクラウドセマンティックセグメンテーションデータセットでよく見られる。 カテゴリや大きなオブジェクトの大部分は、既存の評価指標で好まれます。 本稿では, 点群分割アルゴリズムのより詳細な評価のために, mIoU と mAcc の微細化を提案する。
• 参考スコア（独自算出の注目度）: 6.713120348917712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two forms of imbalances are commonly observed in point cloud semantic segmentation datasets: (1) category imbalances, where certain objects are more prevalent than others; and (2) size imbalances, where certain objects occupy more points than others. Because of this, the majority of categories and large objects are favored in the existing evaluation metrics. This paper suggests fine-grained mIoU and mAcc for a more thorough assessment of point cloud segmentation algorithms in order to address these issues. Richer statistical information is provided for models and datasets by these fine-grained metrics, which also lessen the bias of current semantic segmentation metrics towards large objects. The proposed metrics are used to train and assess various semantic segmentation algorithms on three distinct indoor and outdoor semantic segmentation datasets.
• Abstract（参考訳）: 2種類の不均衡がポイントクラウドセマンティックセグメンテーションデータセットでよく見られる: (1) カテゴリー不均衡、 特定のオブジェクトが他のオブジェクトよりも一般的である場合、(2) サイズ不均衡、 特定のオブジェクトが他のオブジェクトよりも多くのポイントを占める場合。 このため、ほとんどのカテゴリや大きなオブジェクトは、既存の評価指標で好まれる。 本稿では,これらの問題に対処するために,点雲分割アルゴリズムのより詳細な評価を行うために,mIoUとmAccの微細化を提案する。 よりリッチな統計情報は、これらのきめ細かいメトリクスによってモデルやデータセットに提供され、これはまた、現在のセマンティックセグメンテーションメトリクスの大きなオブジェクトへのバイアスを小さくする。 提案手法は,屋内および屋外の3つのセマンティックセマンティックセマンティクスデータセットに基づいて,様々なセマンティクスセマンティクスアルゴリズムを訓練・評価するために用いられる。

関連論文リスト

• Revisiting Evaluation Metrics for Semantic Segmentation: Optimization and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
  そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。 これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。 ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
  論文  参考訳（メタデータ） (2023-10-30T03:45:15Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
  本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。 提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
  論文  参考訳（メタデータ） (2021-03-16T15:58:01Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Rethinking Semantic Segmentation Evaluation for Explainability and Model Selection [12.786648212233116]
  地域ベースのオーバーおよびアンダーセグメンテーションを評価するための新しいメトリクスを紹介します。 分析して他のメトリクスと比較し、実世界のアプリケーションにおけるセマンティックセグメンテーションモデルのパフォーマンスをより説明しやすくなることを示す。
  論文  参考訳（メタデータ） (2021-01-21T03:12:43Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

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。