【点云识别】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds

最新推荐文章于 2023-07-16 19:52:07 发布
最新推荐文章于 2023-07-16 19:52:07 发布
阅读量1.5k 收藏 4
点赞数
分类专栏： 点云识别 文章标签： 点云识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Orientliu96/article/details/105655198
版权
本文探讨CVPR2020上一篇关于点云弱监督3D语义分割的论文，介绍其通过Scene-level和Subcloud-level标签进行分割的方法，使用pointclassactivationmap和MultiPathRegionMining模块增强特征提取，并通过CRF进行细化。该研究为点云无监督分割领域迈出重要一步。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds

本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。
论文
目前还没有开源代码

1. 问题

目前获得大规模点云已经不是一件困难的事情了，但是对其进行标注是十分费时。
例如 ScanNet 数据集，对一个scan标注时间的中位数和平均数大概是16.8min和22.3min。

所以本文想要解决弱监督点云分割的问题。

2. 思想

在这里插入图片描述

通过Scene-level 和 Subcloud-level 的label完成点云的分割。

在这里插入图片描述
前端使用了point class activation map（PCAM）进行特征的提取，然后 Multi Path
Region Mining模块进行enhance，使用element-wise maximum 得到label。最后使用了一个CRF进行refine。

最低0.47元/天 解锁文章
【点云语义分割】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds（CVPR）
sinat_26743719的博客
06-19 1004
【点云语义分割】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds（CVPR 2020）Motivation概念MethodBaseline Method: PCAMMulti-Path Region MiningLearning a Semantic Segmentation Network实验experiments相关阅读[^sample_footnote1] 论文链接 代码链接:
【点云识别】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels(CVPR 2020)
Orientliu96的博客
04-23 1461
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels 本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。 论文 目前还没有开源代码 1. 问题 点云的弱监督分割 2. 思想 根据弱监督的特点，提出了incomplete supervision branch 和 inexact super...
[点云分割]-Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds
alfred_torres的博客
07-30 585
Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds 一种用于3D点云弱监督语义分割的多路径区域搜索方法 CVPR 2020 本文的亮点有两个：1对点云语义分割用弱监督训练，2 Multi-Path Region Mining模块，主要挖掘了attention机制在点云中的应用 摘要 原文 译文 Point clouds provide intrinsic geometr
《论文阅读》Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds
未知丶的博客
11-22 600
留个笔记自用 Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds 做什么 Instance segmentation实例分割 目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance
《论文阅读11》SQN: Weakly-Supervised SemanticSegmentation of Large-Scale 3D Point Clouds
darren_pty
07-16 663
论文
CVPR2020：点云弱监督三维语义分割的多路径区域挖掘
吴建明wujianming_110117
06-29 5774
CVPR2020：点云弱监督三维语义分割的多路径区域挖掘 Multi-Path Region Mining for Weakly Supervised 3D Semantic Segmentation on Point Clouds 论文地址： https://openaccess.thecvf.com/content_CVPR_2020/papers/Wei_Multi-Path_Region_Mining_for_Weakly_Supervised_3D_Semantic_Segmentation_on
CVPR 2020——Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels
Dujing2019的博客
05-09 1624
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer LabelsAbstract（一）Introduction（二） Related Work（三）Methodology3.1 Point Cloud Encoder Network3.2. Incomplete Supervision Branch3.3. Inexact Supervision Branch3.4. Siamese Self-Supervision3
【论文阅读】- 2017-A Convolutional Neural Network-Based 3D Semantic Labeling Method for ALS Point Clouds
自动驾驶行业学习、交流
04-15 605
A Convolutional Neural Network-Based 3D Semantic Labeling Method for ALS Point Clouds Zhishuang Yang, Wanshou Jiang ,*ID , Bo XuID , Quansheng Zhu , San JiangID and Wei Huang State Key Laboratory ...
国内首个面向工业级实战的点云处理课程
3D视觉工坊
06-17 1020
01背景介绍计算机视觉的最终体现是三维视觉，而三维视觉的表达方式则是点云，点云处理在整个三维视觉领域占有非常重要的地位，几乎涉及到所有相关领域，例如自动驾驶感知定位、SLAM、三维场景重建...
论文阅读：Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation
qq_36224225的博客
09-10 505
Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation 文章目录Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation摘要Intruduction方法object-adaptive region miningmulti-scale training strategyconne
RGBD物体识别(2)--点云分割
热门推荐
heroacool的专栏
03-24 1万+
对于RGBD物体识别问题，我采用的思路是先从几何特征，将物体的点云分割好，也就是将不同物体通过点云分割出来，然后通过成像关系和RGBD配准信息，在图像上找到对应的区域ROI，然后对图像进行识别，后续根据识别结果再进行抓取。当然其中还有一个很重要的地方，就是物体的姿态估计，或者说最佳抓取点的选取，这个问题暂且不管。本文重点关注未知物体的点云分割工具PCL SegmenterLight步骤1，安装和编
点云欧式聚类分割原理_知荐 | 基于深度学习的实时激光雷达点云目标检测及ROS实现...
weixin_42110533的博客
01-05 1282
近年来，随着深度学习在图像视觉领域的发展，一类基于单纯的深度学习模型的点云目标检测方法被提出和应用，本文将详细介绍其中一种模型——SqueezeSeg，并且使用ROS实现该模型的实时目标检测。传统方法VS深度学习方法实际上，在深度学习方法出现之前，基于点云的目标检测已经有一套比较成熟的处理流程：分割地面->点云聚类->特征提取->分类，典型的方法可以参考Velodyne...
【点云识别】Learning to Segment 3D Point Clouds in 2D Image Space (CVPR 2020)
Orientliu96的博客
04-13 1901
Learning to Segment 3D Point Clouds in 2D Image Space 本文介绍一篇cvpr2020里面关于点云部件分割的文章。 论文 代码 1. 问题 自PointNet++ 和DGCNN问世以后，基本所有的点云处理模型都要使用采样或近邻查询。 Sampling Neighbor points querying 但是，上述两种操作的时间复杂度太高，这篇文章...
3D点云目标识别和抓取
weixin_30593261的博客
11-25 3601
这是2016年一个点云目标识别研究的简单描述。 1、点云目标识别流程 点云目标识别，顾名思义，需要有标准的目标点云或者标准的点云特征描述向量；对实时采集的点云数据，在里面寻找与目标点云相似度最高的点云块。 2、圆环工件的识别和抓取 图2.1 点云在XY平面的投影图像 图2.2 圆环点云采集图像 2.1滤波 常用点云滤波有带通滤波、统计滤波、半径滤波、去除背景平面、去...
Weakly Supervised Semantic Segmentation with Boundary Exploration
qq_49230659的博客
07-26 1091
From Semantic Categories to Fixations: A Novel Weakly-supervised Visual-auditory Saliency Detection Approach摘要 摘要 多亏了深度学习和大规模训练数据集的快速发展，视频显著性检测模型的表现显著增强。然而，基于音视频眼动点预测的深度学习仍具有挑战性。目前，只有少数视音频序列具有在真实视音频环境中记录的真实注视。 因此，在相同的视音频环境下重新收集真实的注视既没有效率也没有必要。为了解决这样的问题，本文提
CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels
zihao_c的博客
11-18 1662
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×FewerLabels （本文是看完了这篇论文做的总结，有不对的地方欢迎指出） 摘要 针对点云的分析最近受到了很多关注，而分割又是其中最重要的任务之一。目前针对此任务的方法是设计深度网络和做大量的数据标记。本文作者认为做标记是一直有效的方式。 但是标记数据太过费时，所以本文提出了弱监督，只需要标记10%的数据，便可以近似达到全监督的效果。 方法是： 学习梯度近似（.
【点云语义分割】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels（CVPR 2020）
sinat_26743719的博客
06-30 1151
论文链接 代码链接 Motivation 弱监督工作都是利用少的标记样本去做更好的预测结果，本文的弱监督包括不完全监督，即只有少量的点带有准确的label；不准确监督，即点云的每个sample都带有一个不准确的label，文章将这两种弱监督的方式互为补充。之后用Siamese Self-Supervision的技术去处理没有label的点云，此外，文章的写作和分析都很到位。 概念陈述 把点云标记为BBB个独立的shapes或者房间块，记做{Xb}b=1⋯B\left\{\mathbf{X}_{b}\ri.
【3D点云】弱监督点云分割（论文解读 CVPR2020）
qq_45752541的博客
09-01 3071
在这项工作中，我们提出了一种弱监督点云分割方法，它只需要一小部分的点被标记。这是通过学习梯度近似和利用额外的空间和颜色平滑约束来实现。在三个不同程度的弱监督的公共数据集上进行了实验。在本文中，我们发现现有的点云 encoder network 只需要少量的标记点，就可以为点云分割任务产生非常具有竞争力的性能。我们从统计学的角度提供分析，并洞察了固定标签预算下的注释策略。此外，我们提出了三个额外的训练损失，即不精确监督、孪生自监督、空间和色彩平滑，进一步规范模型。......
18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing
u010067397的专栏
12-30 2699
when cvpr18 what 本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题，这一点很重要，因为它可以显着减少人类的标注工作。 最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域，然后使用鉴别区域作为监督来训练语义分割网络。 在种子区域扩展的传统图像分割方法的启发下，我们提出从鉴别区域开始训练语义分割网络，逐步增加种子区域扩展的像素级监督。种子区域...
point wise Attention
最新发布
07-27
- *3* [[点云分割]-Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds](https://blog.csdn.net/alfred_torres/article/details/107700798)[target="_blank" data-report-...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值