(CVPR 2022) SoftGroup for 3D Instance Segmentation on Point Clouds

10月前作者：fish小余儿分类：Toy博客阅读(42) 违法举报

这篇具有很好参考价值的文章主要介绍了(CVPR 2022) SoftGroup for 3D Instance Segmentation on Point Clouds。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Abstract

现有的最先进的三维实例分割方法先进行语义分割，然后再进行分组。在进行语义分割时进行hard predictions，使每个点都与单一类别相关。然而，由hard decision产生的错误会传播到分组中，导致(1)预测的实例与ground truth之间的重叠度低，(2)大量的false positives。为了解决上述问题，本文提出了一种被称为SoftGroup的三维实例分割方法，通过自下而上的soft grouping和自上而下的细化来完成。SoftGroup允许每个点与多个类别相关联，以减轻语义预测错误带来的问题，并通过学习将其归类为背景来抑制false positive实例。在不同的数据集和多种评价指标上的实验结果证明了SoftGroup的功效。它的性能超过了先前最强的方法，就 $A P_{50}$ 文章来源地址https://www.toymoban.com/news/detail-400996.html

到了这里，关于(CVPR 2022) SoftGroup for 3D Instance Segmentation on Point Clouds的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

Individual Tree Segmentation from LiDAR Point Clouds for Urban Forest Inventory

本研究的目的是使用 LiDAR 点云数据开发单棵树级别的自动化城市森林清单的新算法。激光雷达数据包含三维结构信息，可用于估算树高、基高、树冠深度和树冠直径。这使得精确的城市森林库存可以细化到单棵树。与大多数已发布的从 LiDAR 派生的栅格表面检测单个树木的算

2024年02月07日
浏览(34)
(CVPR 2018) 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks

卷积网络是分析图像、视频和3D形状等时空数据的事实标准。虽然其中一些数据自然密集（例如照片），但许多其他数据源本质上是稀疏的。示例包括使用LiDAR扫描仪或RGB-D相机获得的3D点云。当应用于此类稀疏数据时，卷积网络的标准“密集”实现非常低效。我们引入了新的

2023年04月08日
浏览(50)
2023 Mask R-CNN 改进：DynaMask: Dynamic Mask Selection for Instance Segmentation 论文笔记

写在前面本周更新的第二篇论文阅读，2023年每周一篇博文，还剩5篇未补，继续加油~ 论文地址：DynaMask: Dynamic Mask Selection for Instance Segmentation 代码地址：https://github.com/lslrh/DynaMask 收录于：CVPR 2023 欢迎关注，主页更多干货，持续输出中~ 一般的实例分割通常采用固定

2024年02月01日
浏览(86)
CVPR 2023 | Point-NN：首次实现0参数量、0训练的3D点云分析

点击下方卡片，关注“ CVer ”公众号 AI/CV重磅干货，第一时间送达点击进入— 【3D点云】微信技术交流群不引入任何可学习参数或训练，我们是否可以直接实现3D点云的分类、分割和检测？为此，本文提出了一个用于3D点云分析的非参数网络，Point-NN，它仅由纯不可学习的

2024年02月10日
浏览(43)
2023-一种无监督目标检测和实例分割方法【Cut and Learn for Unsupervised Object Detection and Instance Segmentation】

Facebook 目标检测和分割依赖海量数据的标注，模型训练耗时最大的是数据采集和标注过程，无监督学习在目标检测和分割中的应用较少。这篇文章提出提出了Cut-and-LEaRn（CutLER），一种用于训练无监督对象检测和分割模型的简单方法。利用自监督模型的特性在没有监督的情况

2024年02月06日
浏览(54)
3D目标识别|SFD|多模态|CVPR2022

论文标题：Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion 论文链接 Code: 还未开源 **动机：**室外点云+图像的方法没有纯点云的方法效果好，主要有两个原因（1）多模态的数据增广不好做（2）因为现在方法大多是从点云找对应的图像融合特征，但是点云能对应上的

2023年04月14日
浏览(54)
CVPR2022 3D目标检测（GLENet ）增强型3D目标检测网络

图 1：(a) 给定一个不完整 LiDAR 观测的对象，可能存在多个具有不同大小和形状的潜在合理的真实边界框。 (b) 当注释来自 2D 图像和部分点时，标签过程中的模糊和不准确是不可避免的。在给定的情况下，只有后部的汽车类别的类似点云可以用不同长度的不同真实值框进行注释

2023年04月08日
浏览(38)
Deep Learning for 3D Point Clouds: A Survey

Guo Y, Wang H, Hu Q, et al. Deep learning for 3d point clouds: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. 之前组会要分享的一篇综述，太长了没读完，不知道啥时候能写完。。最近，点云学习因其在计算机视觉、自动驾驶和机器人等许多领域的广泛应用而引起越来越多

2024年02月05日
浏览(42)
[CVPR2022] 用于 3D 医学图像分析的 Swin Transformers 的自监督预训练

Self-Supervised Pre-Training of Swin Transformers for 3D Medical Image Analysis 摘要 Vision Transformer(ViT)在全局和局部表示的自监督学习方面表现出了出色的性能，这些表示它可以转移到下游任务的应用中。提出模型：提出一种新的自监督学习框架Swin UNETR，它具有定制的代理任务，用于医学图像

2024年02月15日
浏览(43)
EG3D: Efficient Geometry-aware 3D Generative Adversarial Networks [2022 CVPR]

长期以来，仅使用单视角二维照片集无监督生成高质量多视角一致图像和三维形状一直是一项挑战。现有的三维 GAN 要么计算密集，要么做出的近似值与三维不一致；前者限制了生成图像的质量和分辨率，后者则对多视角一致性和形状质量产生不利影响。在这项工作中，我们

2024年02月11日
浏览(33)