TPAMI 2024 | 用于点云三维实例分割的可扩展软组

最新推荐文章于 2024-11-12 11:12:28 发布
最新推荐文章于 2024-11-12 11:12:28 发布
阅读量132 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 计算机视觉 人工智能 实例分割
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/qq_42722197/article/details/139751466
版权
论文解读 IEEE TPAMI 专栏收录该内容
303 篇文章 21 订阅 ¥59.90 ¥99.00
订阅专栏

题目：Scalable SoftGroup for 3D Instance Segmentation on Point

用于点云三维实例分割的可扩展软组

作者：Thang Vu; Kookhoi Kim; Thanh Nguyen; Tung M. Luu; Junyeong Kim; Chang D. Yoo

源码链接： https://github.com/thangvubk/SoftGroup

摘要

本文提出了一种称为SoftGroup的新型网络，旨在实现点云上准确且可扩展的3D实例分割。现有的最先进方法通常首先生成硬语义预测，然后进行实例分割的分组阶段。然而，这些硬决策中的错误往往会传播，导致预测实例与真实标注之间的匹配度差，以及产生大量误报。为了解决这些问题，SoftGroup允许每个点与多个类别关联，从而减轻了语义预测中固有的不确定性。它还通过学习将它们归类为背景来减少误报实例。在可扩展性方面，当前的快速方法需要在大规模场景上进行数十秒的计算时间，这是不满意的，并且不适合实时应用。我们的调查揭示了k-最近邻（k-NN）模块，对分组至关重要，却造成了计算

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | 用于自监督点云表示的生成变分对比学习
小白学视觉
10-09 70
三维点云的自监督表示学习受到了越来越多的关注。然而，现有的3D计算机视觉领域的方法通常使用固定的嵌入来表示潜在特征，并对嵌入施加硬约束，以使正样本的潜在特征值趋于一致，这限制了特征提取器在不同数据域上的泛化能力。为了解决这个问题，我们提出了一个生成变分对比学习（GVC）模型，其中使用高斯分布来构建潜在特征的连续、平滑表示。构建了分布约束和交叉监督，以提高特征提取器在合成和真实世界数据上的迁移能力。具体来说，我们设计了一个变分对比模块来约束特征分布，而不是潜在空间中每个样本对应的特征值。
TPAMI 2024 | 跨图像像素对比的语义分割方法
小白学视觉
09-04 623
本文研究了图像语义分割问题。现有方法主要关注于挖掘“局部”上下文，即通过特别设计上下文聚合模块（例如，扩张卷积、神经注意力）或结构感知优化目标（例如，IoU损失）在单个图像内部像素之间的依赖关系。然而，它们忽略了训练数据的“全局”上下文，即不同图像中像素之间丰富的语义关系。受到无监督对比表示学习最新进展的启发，我们提出了一种像素级对比算法，称为PiCo，用于完全监督学习环境中的语义分割。核心思想是强制同一语义类别的像素嵌入比不同类别的嵌入更相似。
【3D点云】分割算法总结（一）
热门推荐
qq_45752541的博客
09-19 1万+
总结近3年来主要的点云分类、检测与分割算法，介绍原理与代码。
计算机视觉与模式识别学术速递[2022.9.20]
AI浩
09-24 7752
机构： Oden Institute, The University of Texas at Austin, Austin, TX, USA, Institute for Parallel and Distributed Systems, University of Stuttgart, Stuttgart, DE, Department of Mathematics, University of Houston, Houston, TX, USA。
【2024最新版】PCL点云处理算法汇总：C++开发者的福音
gitblog_06587的博客
09-20 1010
【2024最新版】PCL点云处理算法汇总：C++开发者的福音 2024最新版PCL点云处理算法汇总C长期更新版 项目地址: https://gitcode.com/Resource-Bundle-Collection/3cf08...
【文献翻译CVPR2022】SoftGroup for 3D Instance Segmentation on Point Clouds
qq_41961172的博客
04-05 3721
摘要 现有的3D实例分割方法先进行语义分割，然后进行分组，在进行语义分割时进行硬预测，使得每个点都与一个单一类相关联。然而，来自硬判决的误差传播到分组中，从而导致(1)预测实例与地面真实之间的低重叠(2)大量的假阳性。针对上述问题，本文提出了一种自下而上软分组、自上而下细化的3D实例分割方法--SoftGroup。SoftGroup允许每个点与多个类别相关联，以缓解由于语义预测错误而产生的问题，并通过学习将它们归类为背景来抑制假阳性实例。在不同数据集和多种评价指标上的实验结果证明了Soft...
TPAMI 2024 | 点云分割领域自适应的组合语义混合
小白学视觉
09-11 303
当在不同传感器捕获或在变化环境中测试时，深度学习模型用于3D点云语义分割展现出有限的泛化能力，这是由于领域偏移所导致的。领域自适应方法可以用来减轻这种领域偏移，例如，通过模拟传感器噪声、开发领域不可知生成器或训练点云完成网络。通常，这些方法为范围视图图或需要多模态输入而量身定制。相比之下，图像领域的领域自适应可以通过样本混合来执行，这强调了输入数据的操作，而不是采用不同的自适应模块。在本研究中，我们引入了点云领域自适应的组合语义混合，这是第一个基于语义和几何样本混合的无监督领域自适应技术，用于点云分割。
TPAMI 2024| 学习动态场景条件三维物体检测器
小白学视觉
05-25 314
在本文中，我们提出了一个名为 HyperDet3D 的动态 3D 对象检测器，它基于超场景级知识实时自适应调整。现有方法努力为局部元素及其关系提供对象级表示，而不依赖于场景级先验，这在仅基于对个别点和对象候选的理解时，会导致结构相似的对象之间的歧义。与此相反，我们设计了场景条件超网络（scene-conditioned hypernetworks），以同时学习场景不可知的嵌入，利用来自各种 3D 场景的可共享抽象，以及特定于场景的知识，该知识在测试时将 3D 检测器适应给定场景。
TPAMI 2024 | 通过动态移位网络实现统一的3D和4D全景分割
小白学视觉
06-17 136
随着自动驾驶技术的快速发展，为其感知系统配备更全面的三维感知能力变得至关重要。然而，像三维检测或点云语义分割这样被广泛探索的任务，主要集中在解析物体或场景。在这项工作中，我们提出了解决基于激光雷达的全景分割的挑战性任务，该任务旨在以统一的方式解析物体和场景。特别是，我们提出了动态偏移网络(DS-Net)，它作为点云领域有效的全景分割框架。DS-Net 具有针对复杂激光雷达点云分布的动态偏移模块。我们展示了一个高效的可学习聚类模块，动态偏移，它适应不同实例的核心函数。
CycleGAN算法简述
SimpleLearning
11-09 876
CycleGAN是一种图像到图像的翻译模型，旨在无配对训练数据的情况下完成跨域图像转换。传统方法需要成对的输入-输出数据，但这种配对数据的获取往往代价高昂且难以实现。CycleGAN通过使用无配对数据的训练策略，实现从一个图像域到另一个域的有效转换，使其在艺术风格迁移、季节变化和对象转换等任务中表现出色。
2024年计算机视觉与图像处理国际学术会议 (CVIP 2024)
2302_79376097的博客
11-04 1873
目录大会简介主办单位，协办单位组委会主讲嘉宾征稿主题参会方式会议议程 重要信息会议官网：iccvip.org大会时间：2024年11月15日-17日大会地点：中国 杭州 2024年计算机视觉与图像处理国际学术会议(CVIP 2024)将于2024年11月15日-17日在中国杭州举行。会议将围绕计算机视觉与图像处理等研究领域展开，为来自国内外高等院校、科学研究所、企事业单位的专家、教授、学者、工程师等提供一个分享专业经验，扩大专业网络，面对面交流新思想以及展示研究成果的国际平台，探讨本领域发展所面临的关键性挑
使用高斯差分DOG（Difference of Gaussians）检测图像中的斑点或者边缘
qq_51570094的博客
11-11 411
高斯差分是指两个不同尺度下的高斯模糊图像之间的差值。具体而言，它通过对原始灰度图像应用两个具有不同标准差的高斯核进行卷积，得到两个模糊图像，然后计算这两个模糊图像之间的差分，从而生成高斯差分图像。
计算机视觉系列----深入浅出了解计算机视觉
DK22151的博客
11-06 1131
计算机视觉是人工智能（AI）的一个子领域，旨在让计算机系统通过分析和理解图像或视频来模仿人类视觉的感知能力。它包括图像识别、物体检测、图像分割等任务，目标是使计算机能够理解图像中的内容并作出合适的反应。
【目标检测】目标检测中全连接层（Fully Connected Layer）
CV在读
11-08 746
在目标检测任务中，全连接层（Fully Connected Layers，简称FC层）通常用于最后的输出阶段，尤其是，如，以及可能的其他附加信息。通常，在目标检测任务中，特征图（由卷积神经网络提取的特征）经过一系列的卷积、池化、特征提取后，会被（flatten）成一个一维的向量，然后传递到全连接层。全连接层的作用是将这些特征映射到最终的输出，例如预测目标框的坐标和类别。全连接层在目标检测中的关键作用是，例如：边界框回归（Bounding box regression）：用于预测目标边界框的位置。
深度学习之循环神经网络(RNN)
最新发布
weixin_43775295的博客
11-12 378
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 957
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
PCA（主成分分析）算法的应用场景
huanfeng_AI的博客
11-09 486
需要注意的是，PCA并不适用于所有场景。例如，当数据之间存在非线性关系时，PCA可能无法完全揭示数据的内在结构。此外，PCA对初始变量的顺序和标签敏感，不同的变量顺序可能导致不同的主成分结果。因此，在选择数据分析方法时，需要根据具体的数据和任务需求来决定是否使用PCA。
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 3220
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
"深度点云处理模型应用及挑战分析：三维视觉论坛第25期分享
为了解决这些问题，来自清华大学的饶永铭和刘永成在第25期SFFAI三维视觉之点云识别讲座上分享了他们的研究成果。 饶永铭是一位在清华大学自动化系攻读直博研究生的学者，他的研究方向主要集中在计算机视觉和深度...
评论
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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