論文の概要: Density-aware Global-Local Attention Network for Point Cloud Segmentation
- arxiv url: http://arxiv.org/abs/2412.00489v1
- Date: Sat, 30 Nov 2024 14:14:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:45:53.949724
- Title: Density-aware Global-Local Attention Network for Point Cloud Segmentation
- Title（参考訳）: ポイントクラウドセグメンテーションのための密度対応グローバルローカルアテンションネットワーク
- Authors: Chade Li, Pengju Zhang, Yihong Wu,
- Abstract要約: 本研究では,グローバルな注目を集める密度知覚に基づく局所的な注意を融合するポイントクラウドセグメンテーションネットワークを提案する。
中心となる考え方は、密集領域における小さな物体に関する情報の損失を減らしながら、各点の効果的な受容場を増大させることである。
小物体で満たされた複雑な実世界のシーンから得られる点雲データの実験も,本手法の強いセグメンテーション能力を検証する。
- 参考スコア（独自算出の注目度）: 3.615396917221689
- License:
- Abstract: 3D point cloud segmentation has a wide range of applications in areas such as autonomous driving, augmented reality, virtual reality and digital twins. The point cloud data collected in real scenes often contain small objects and categories with small sample sizes, which are difficult to handle by existing networks. In this regard, we propose a point cloud segmentation network that fuses local attention based on density perception with global attention. The core idea is to increase the effective receptive field of each point while reducing the loss of information about small objects in dense areas. Specifically, we divide different sized windows for local areas with different densities to compute attention within the window. Furthermore, we consider each local area as an independent token for the global attention of the entire input. A category-response loss is also proposed to balance the processing of different categories and sizes of objects. In particular, we set up an additional fully connected layer in the middle of the network for prediction of the presence of object categories, and construct a binary cross-entropy loss to respond to the presence of categories in the scene. In experiments, our method achieves competitive results in semantic segmentation and part segmentation tasks on several publicly available datasets. Experiments on point cloud data obtained from complex real-world scenes filled with tiny objects also validate the strong segmentation capability of our method for small objects as well as small sample categories.
- Abstract（参考訳）: 3Dポイントクラウドセグメンテーションは、自動運転、拡張現実、仮想現実、デジタルツインといった分野に幅広い応用がある。
実際のシーンで収集されたポイントクラウドデータは、しばしば、既存のネットワークで扱うのが困難である小さなサンプルサイズを持つ小さなオブジェクトやカテゴリを含む。
そこで本研究では,局所的な注意をグローバルな注意と高密度な認識に基づいて融合する点雲分割ネットワークを提案する。
中心となる考え方は、密集領域における小さな物体に関する情報の損失を減らしながら、各点の効果的な受容場を増大させることである。
具体的には、異なる密度の地域に対して異なる大きさの窓を分割し、窓内の注意を計算する。
さらに、各地域を、入力全体に対するグローバルな注意のための独立したトークンとみなす。
また、異なるカテゴリやオブジェクトの大きさの処理のバランスをとるために、カテゴリ応答損失も提案されている。
特に,ネットワークの中央に,対象カテゴリの存在を予測するための完全連結層を設置し,シーン内のカテゴリの存在に対応するために,二元的クロスエントロピー損失を構築した。
実験では,いくつかの公開データセットにおけるセマンティックセグメンテーションと部分セグメンテーションタスクの競合的な結果が得られる。
小さなオブジェクトで満たされた複雑な実世界のシーンから得られる点雲データに関する実験は、小さなオブジェクトと小さなサンプルカテゴリに対する手法の強いセグメンテーション能力についても検証した。
関連論文リスト
- One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection [71.78795573911512]
textbfOneDet3Dは、異なるドメイン間での3D検出に対処する汎用的なワン・ツー・オール・モデルである。
本稿では、データ干渉問題に対処するため、ルーティング機構によって誘導される散乱とコンテキストにおけるドメイン認識を提案する。
完全なスパース構造とアンカーフリーヘッドは、さらに大きなスケールの差のある点雲を収容する。
論文 参考訳（メタデータ） (2024-11-03T14:21:56Z) - 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) - LACV-Net: Semantic Segmentation of Large-Scale Point Cloud Scene via
Local Adaptive and Comprehensive VLAD [13.907586081922345]
本稿では,大規模クラウドセマンティックセグメンテーションのための,LACV-Netと呼ばれるエンドツーエンドのディープニューラルネットワークを提案する。
提案するネットワークは,1) 局所適応的特徴拡張モジュール(LAFA) を適応的に学習し,局所的文脈を拡張させる,2) 局所的特徴を多層,マルチスケール,マルチ解像度で融合させて包括的グローバル記述ベクトルを表現する,包括的VLADモジュール,3) LAFAモジュールからの適応的重みを制限してセグメント境界を効果的に最適化する集約損失関数を含む。
論文 参考訳（メタデータ） (2022-10-12T02:11:00Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳（メタデータ） (2022-07-31T21:39:15Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - 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) - Semantic Segmentation for Real Point Cloud Scenes via Bilateral
Augmentation and Adaptive Fusion [38.05362492645094]
現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。
我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。
3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
論文 参考訳（メタデータ） (2021-03-12T04:13:20Z) - PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud
Segmentation [0.9137554315375922]
そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。
我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
論文 参考訳（メタデータ） (2021-01-28T13:27:55Z) - MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point
Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。
MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文 参考訳（メタデータ） (2020-04-05T18:02:07Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - SceneEncoder: Scene-Aware Semantic Segmentation of Point Clouds with A
Learnable Scene Descriptor [51.298760338410624]
本研究では,グローバル情報の効果を高めるために,シーン認識型ガイダンスを付加するSceneEncoderモジュールを提案する。
モジュールはシーン記述子を予測し、シーンに存在するオブジェクトのカテゴリを表現することを学習する。
また,同じラベルを持つ隣接点に対する特徴の識別を伝搬する領域類似度損失を設計する。
論文 参考訳（メタデータ） (2020-01-24T16:53:30Z)
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。