論文の概要: Contextual Range-View Projection for 3D LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2601.18301v1
• Date: Mon, 26 Jan 2026 09:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.756394
• Title: Contextual Range-View Projection for 3D LiDAR Point Clouds
• Title（参考訳）: 3次元LiDAR点雲のコンテキスト射影
• Authors: Seyedali Mousavi, Seyedhamidreza Mousavi, Masoud Daneshtalab,
• Abstract要約: レンジビュープロジェクションは、3次元LiDAR点雲を2次元範囲画像表現に変換する効率的な方法を提供する。 既存のアプローチでは、通常最小の深さで点を保持する(LiDARに最も近い)。 textitCenterness-Aware Projection (CAP) と textitClass-Weighted-Aware Projection (CWAP) の2つのメカニズムを紹介する。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Range-view projection provides an efficient method for transforming 3D LiDAR point clouds into 2D range image representations, enabling effective processing with 2D deep learning models. However, a major challenge in this projection is the many-to-one conflict, where multiple 3D points are mapped onto the same pixel in the range image, requiring a selection strategy. Existing approaches typically retain the point with the smallest depth (closest to the LiDAR), disregarding semantic relevance and object structure, which leads to the loss of important contextual information. In this paper, we extend the depth-based selection rule by incorporating contextual information from both instance centers and class labels, introducing two mechanisms: \textit{Centerness-Aware Projection (CAP)} and \textit{Class-Weighted-Aware Projection (CWAP)}. In CAP, point depths are adjusted according to their distance from the instance center, thereby prioritizing central instance points over noisy boundary and background points. In CWAP, object classes are prioritized through user-defined weights, offering flexibility in the projection strategy. Our evaluations on the SemanticKITTI dataset show that CAP preserves more instance points during projection, achieving up to a 3.1\% mIoU improvement compared to the baseline. Furthermore, CWAP enhances the performance of targeted classes while having a negligible impact on the performance of other classes
• Abstract（参考訳）: レンジビュープロジェクションは、3次元LiDAR点雲を2次元レンジ画像表現に変換する効率的な方法を提供し、2次元ディープラーニングモデルによる効率的な処理を可能にする。 しかし、このプロジェクションの大きな課題は、複数の3Dポイントをレンジ画像の同じピクセルにマッピングし、選択戦略を必要とする、多対一の競合である。 既存のアプローチは、通常最小の深さ(LiDARに最も近い)でポイントを保持し、意味的関連性やオブジェクト構造を無視し、重要な文脈情報を失う。 本稿では,インスタンスセンタとクラスラベルの両方からコンテキスト情報を組み込むことで,深度に基づく選択ルールを拡張し,CAP(textit{Centerness-Aware Projection)とCWAP(textit{Class-Weighted-Aware Projection)の2つのメカニズムを導入する。 CAPでは、インスタンス中心からの距離に応じて点深さを調整し、ノイズの多い境界点と背景点に中央のインスタンスポイントを優先順位付けする。 CWAPでは、オブジェクトクラスはユーザ定義の重みによって優先順位付けされ、プロジェクション戦略の柔軟性を提供する。 SemanticKITTIデータセットによる評価では、CAPは投射中により多くのインスタンスポイントを保存し、ベースラインと比較して最大3.1\% mIoUの改善を達成している。 さらに、CWAPは、他のクラスのパフォーマンスに無視できない影響を与えながら、ターゲットクラスのパフォーマンスを向上させる

関連論文リスト

• PointVDP: Learning View-Dependent Projection by Fireworks Rays for 3D Point Cloud Segmentation [66.00721801098574]
  本稿では,ポイントクラウドのセグメンテーションを容易にするために,ビュー依存プロジェクション(VDP)を提案する。 VDPは3Dポイント分布からデータ駆動プロジェクションを生成する。 フレームワークを最適化するために色規則化を構築します。
  論文  参考訳（メタデータ） (2025-07-09T07:44:00Z)
• VAPO: Visibility-Aware Keypoint Localization for Efficient 6DoF Object Pose Estimation [52.81869878956534]
  2次元画像における3Dキーポイントの局所化は、インスタンスレベルの6DoFオブジェクトのポーズ推定のための3D-2D対応を確立する効果的な方法である。 本稿では、重要なキーポイントを可視性の観点からローカライズすることでこの問題に対処する。 我々は、可視性を考慮した重要度と最先端のポーズ推定アルゴリズムを統合することにより、VAPO(Visibility-Aware POse estimator)を構築する。
  論文  参考訳（メタデータ） (2024-03-21T16:59:45Z)
• When 3D Bounding-Box Meets SAM: Point Cloud Instance Segmentation with Weak-and-Noisy Supervision [20.625754683390536]
  本稿では,CIP-WPIS法を提案する。 2次元基礎モデルSAMと3次元幾何に埋め込まれた事前学習知識を活用し、正確なポイントワイズ・インスタンス・ラベルを実現する。 提案手法は,ノイズの多い3次元境界ボックスアノテーションに対して頑健であり,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-09-02T05:17:03Z)
• PointDC:Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering [32.18716273358168]
  我々は、ポイントクラウドの完全な教師なしセマンティックセマンティックセグメンテーションの最初の試みを行う。 本稿では,上記の問題に対処する2つのステップからなる新しいフレームワークであるPointDCを提案する。 PointDCは、従来の最先端の教師なし手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-18T12:58:21Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Learning point embedding for 3D data processing [2.12121796606941]
  現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。 実験によると、PE-Netは複数の挑戦的なデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-19T00:25:28Z)

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。