論文の概要: Impact of color and mixing proportion of synthetic point clouds on semantic segmentation

• arxiv url: http://arxiv.org/abs/2412.19145v1
• Date: Thu, 26 Dec 2024 09:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:26:27.606615
• Title: Impact of color and mixing proportion of synthetic point clouds on semantic segmentation
• Title（参考訳）: 合成点雲の色と混合比が意味的セグメンテーションに及ぼす影響
• Authors: Shaojie Zhou, Jia-Rui Lin, Peng Pan, Yuandong Pan, Ioannis Brilakis,
• Abstract要約: 本研究では,合成点雲の色と混合比がセマンティックセグメンテーションにどのように影響するかを系統的に検討した。 実験の結果、合成色はモデル性能に大きく影響し、純粋なRealSPCでトレーニングされたモデルの一般的なコンポーネントのパフォーマンスは、実際のデータを持つモデルに匹敵することがわかった。 床、天井、壁といった大きな平らな要素では、SPCはモデル性能を損なうことなく、実点雲を置き換えることができる。
• 参考スコア（独自算出の注目度）: 0.49023448425760774
• License:
• Abstract: Semantic segmentation of point clouds is essential for understanding the built environment, and a large amount of high-quality data is required for training deep learning models. Despite synthetic point clouds (SPC) having the potential to compensate for the shortage of real data, how to exploit the benefits of SPC is still open. Therefore, this study systematically investigates how color and mixing proportion of SPC impact semantic segmentation for the first time. First, a new method to mimic the scanning process and generate SPC based on BIM is proposed, to create a synthetic dataset with consistent colors of BIM (UniSPC) and a synthetic dataset with real colors (RealSPC) respectively. Subsequently, by integrating with the S3DIS dataset, further experiments on PointNet, PointNet++, and DGCNN are conducted. Meanwhile, benchmark experiments and new evaluation metrics are introduced to better evaluate the performance of different models. Experiments show that synthetic color significantly impacts model performance, the performance for common components of the models trained with pure RealSPC is comparable to models with real data, and RealSPC contributes average improvements of 14.1% on overall accuracy and 7.3% on mIoU than UniSPC. Furthermore, the proportion of SPC also has a significant impact on the performance. In mixing training experiments, adding more than 70% SPC achieves an average of 3.9% on overall accuracy and 3.4% on mIoU better than benchmark on three models. It is also revealed that for large flat elements such as floors, ceilings, and walls, the SPC can even replace real point clouds without compromising model performance.
• Abstract（参考訳）: ポイントクラウドのセマンティックセグメンテーションは構築された環境を理解するために不可欠であり、ディープラーニングモデルのトレーニングには大量の高品質なデータが必要である。 合成点雲(SPC)は、実際のデータの不足を補う可能性があるが、SPCの利点を利用する方法はまだオープンである。 そこで本研究では,SPCのセマンティックセマンティックセグメンテーションにおける色と混合の割合を初めて体系的に検討した。 まず,BIM(UniSPC)と実色(RealSPC)の一貫性のある合成データセットを作成するために,BIMに基づくスキャンプロセスとSPCを生成する新しい手法を提案する。 その後、S3DISデータセットとの統合により、PointNet、PointNet++、DGCNNに関するさらなる実験が行われる。 一方、異なるモデルの性能をよりよく評価するために、ベンチマーク実験と新しい評価指標が導入された。 実験の結果、合成色はモデル性能に大きな影響を及ぼし、純粋なRealSPCでトレーニングされたモデルの一般的なコンポーネントのパフォーマンスは、実際のデータを持つモデルに匹敵し、RealSPCは全体の精度で平均14.1%、UniSPCよりもmIoUで7.3%向上している。 さらに、SPCの割合もパフォーマンスに大きな影響を与えます。 トレーニング実験では、70%以上のSPCを追加すると、全体の精度が平均3.9%、mIoUが3つのモデルのベンチマークよりも3.4%向上する。 また,床,天井,壁などの大きな平らな要素に対して,SPCはモデル性能を損なうことなく,実点雲を置き換えることができることを明らかにした。

関連論文リスト

• An Experimental Study of SOTA LiDAR Segmentation Models [3.8056056756169316]
  ポイントクラウドセグメンテーション(ポイントクラウドセグメンテーション、英: Point cloud segmentation、PCS)とは、ポイントクラウドの各ポイントを分類することである。 PCSモデルは、大まかにポイント、ボクセル、レンジイメージベースモデルに分けられる。 最先端の点-, ボクセル-, レンジ画像ベースモデル間の総合的な比較は報告されていない。
  論文  参考訳（メタデータ） (2025-02-18T13:48:22Z)
• PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images [9.655563155560658]
  物理法則組み込みクラウド合成法 (PGCS) は, 実データを改善するために, 多様な現実的なクラウド画像を生成するために提案されている。 2つの雲補正法がPGCSから開発され、雲補正作業における最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-22T12:36:03Z)
• Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
  私たちは小説を提案します。 ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。 ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。 挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-10-10T17:00:04Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Placing Objects in Context via Inpainting for Out-of-distribution Segmentation [59.00092709848619]
  コンテキスト内のオブジェクトの配置(POC)は、イメージにオブジェクトを現実的に追加するためのパイプラインである。 POCは任意の数のオブジェクトで任意のデータセットを拡張するために使用することができる。 本稿では,POC 生成データに基づく様々な異常セグメンテーションデータセットを提示し,最近の最先端の異常チューニング手法の性能向上を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:32:41Z)
• PointCMP: Contrastive Mask Prediction for Self-supervised Learning on Point Cloud Videos [58.18707835387484]
  本稿では,ポイントクラウドビデオ上での自己教師型学習のための対照的なマスク予測フレームワークを提案する。 PointCMPは、局所的情報と大域的情報の両方を同時に学習するために、2分岐構造を用いる。 我々のフレームワークは、ベンチマークデータセットにおける最先端のパフォーマンスを達成し、既存のフル教師付きデータセットよりも優れています。
  論文  参考訳（メタデータ） (2023-05-06T15:47:48Z)
• DSMNet: Deep High-precision 3D Surface Modeling from Sparse Point Cloud Frames [12.531880335603145]
  既存のポイントクラウドモデリングデータセットは、ポイントクラウドモデリング効果自体よりも、ポーズまたは軌道精度によるモデリング精度を表現する。 スパースポイントクラウドフレームを用いた高精度3次元表面モデリングのための新しい学習ベースジョイントフレームワークDSMNetを提案する。
  論文  参考訳（メタデータ） (2023-04-09T09:23:06Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Perceptual Contrast Stretching on Target Feature for Speech Enhancement [25.047449640433967]
  知覚コントラストストストレッチ(PCS)アプローチによるSE性能の向上。 PCSは、クリティカルバンド重要度関数に基づいて導出され、SEモデルのターゲットを変更するために適用される。
  論文  参考訳（メタデータ） (2022-03-31T16:24:51Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• SynLiDAR: Learning From Synthetic LiDAR Sequential Point Cloud for Semantic Segmentation [37.00112978096702]
  SynLiDARは、正確な幾何学的形状と包括的なセマンティッククラスを備えた合成LiDARポイントクラウドデータセットである。 PCT-Netは、現実世界のポイントクラウドデータとのギャップを狭めることを目的としたポイントクラウド翻訳ネットワークである。 複数のデータ拡張および半教師付きセマンティックセグメンテーションタスクに対する実験は、非常に肯定的な結果を示す。
  論文  参考訳（メタデータ） (2021-07-12T12:51:08Z)

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。