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

• arxiv url: http://arxiv.org/abs/2412.19145v2
• Date: Sat, 18 Jan 2025 13:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:16:24.191511
• 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: 本稿では,BIMから実色と均一色でSPCを生成する手法を提案する。 PointNet、PointNet++、DGCNNなどのDLモデルの実験では、実際の色を持つSPC上でのモデル性能は、OAとmIoUの両方で8.2%以上の均一色を持つSPCよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.49023448425760774
• License:
• Abstract: Deep learning (DL)-based point cloud segmentation is essential for understanding built environment. Despite synthetic point clouds (SPC) having the potential to compensate for data shortage, how synthetic color and mixing proportion impact DL-based segmentation remains a long-standing question. Therefore, this paper addresses this question with extensive experiments by introducing: 1) method to generate SPC with real colors and uniform colors from BIM, and 2) enhanced benchmarks for better performance evaluation. Experiments on DL models including PointNet, PointNet++, and DGCNN show that model performance on SPC with real colors outperforms that on SPC with uniform colors by 8.2 % + on both OA and mIoU. Furthermore, a higher than 70 % mixing proportion of SPC usually leads to better performance. And SPC can replace real ones to train a DL model for detecting large and flat building elements. Overall, this paper unveils the performance-improving mechanism of SPC and brings new insights to boost SPC's value (for building large models for point clouds).
• Abstract（参考訳）: ディープラーニング(DL)ベースのポイントクラウドセグメンテーションは、構築された環境を理解する上で不可欠である。 合成点雲(SPC)はデータ不足を補う可能性があるが、合成色と混合比がDLベースのセグメンテーションにどのように影響するかは、長年の疑問である。 そこで,本稿では,この問題に対して,導入による広範な実験を行った。 1)BIMから実色と均一色でSPCを生成する方法、及び 2) 性能評価向上のためのベンチマークの強化。 PointNet、PointNet++、DGCNNなどのDLモデルの実験では、実際の色を持つSPC上でのモデル性能は、OAとmIoUの両方で8.2%以上の均一色を持つSPCよりも優れていた。 さらに、SPCの70%以上の混合割合は、通常、より良い性能をもたらす。 そして、SPCは実際のものを置き換えることで、大型で平らな建築要素を検出するためのDLモデルを訓練することができる。 本稿では,SPCの性能向上メカニズムを明らかにするとともに,SPCの価値を高めるための新たな洞察を提供する(ポイントクラウドのための大規模モデルの構築)。

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。