2020-3D Semantic Segmentation for Large-Scale Scene

最新推荐文章于 2022-11-09 01:27:05 发布
最新推荐文章于 2022-11-09 01:27:05 发布
阅读量247 收藏
点赞数
分类专栏： 点云深度学习 paper 文章标签： pointcloud
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/suyunzzz/article/details/113775482
版权

3D Semantic Segmentation for Large-Scale Scene Understanding

Kiran Akadas and Shankar Gangisetty
KLE Technological University, Hubballi, India
akadask@gmail.com, shankar@kletech.ac.in

年份：2020

期刊/会议：ACCV

代码：https://github.com/KiranAkadas/GRanDNet

1、创新

  • 基于RandLA-net，随机采样，速度快、效率高
  • 使用了空洞卷积
  • GeLU作为激活函数，对拟合方程更有帮助
  • 提出了可选的CRF优化方法

2、具体实现

image-20210209203946454

3、实验结果

SHREC 2020

image-20210209204020561

image-20210209204104460

image-20210209204114502

S3DIS

image-20210209204133015

image-20210209204248347

SemanticKITTI

image-20210209204155203

image-20210209204226027

Tech沉思录
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
(CVPR 2018) 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
09-14 1189
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。我们引入了新的稀疏卷积运算，旨在更有效地处理空间稀疏数据，并使用它们来开发空间稀疏卷积网络。我们展示了生成的模型（称为子流形稀疏卷积网络（SSCN））在涉及3D点云语义分割的两项任务上的强大性能。
3D-3D-Semantic-Segmentation-for-Scene-Parsing.zip
09-17
3D-3D-Semantic-Segmentation-for-Scene-Parsing.zip,基于特征提取和深度学习的三维语义实时分割新方法,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
Deep Projective 3D Semantic Segmentation
没有B树的博客
11-09 1527
三维点云的语义分割是许多现实应用中的一个具有挑战性的问题。尽管深度学习已经彻底改变了图像语义分割领域，但迄今为止，它对点云数据的影响有限。最近基于3D深度学习方法（3D-CNNs）的尝试取得了低于预期的结果。这种方法需要对底层点云数据进行体素化，因此降低了空间分辨率并增加了内存消耗。此外，3D CNN在很大程度上受到注释数据集可用性的限制。在本文中，我们提出了一种替代框架，以避免3D-CNNs的限制。我们首先将点云投影到一组合成2D图像上，而不是直接在3D中解决问题。
【阅读笔记】ScanComplete: Large-Scale Scene Completion and Semantic Segmentation for 3D Scans
h1063135843的博客
08-22 960
任务描述 对不完整的扫描场景进行补全，同时进行语义分割。 动机 由于遮挡和传感器测距限制，扫描时只能获取部分、不完整的场景。传统方法（泊松重建等）主要通过拟合或者连续能量函数优化的方式填补小空洞，而对大范围的缺失（如墙体，椅子的脚）则无能为力。大范围的缺失处理方案主要有考虑物体对称性，结构化重建以及CAD模型回溯的方法。 然后就是基于深度学习的方法了，目前的学习方法只能处理固定大小的场景，因此都是针对单帧或者是物体的补全。本文就主要解决大场景的补全问题。为此选择了使用全卷积网络（FCN,full
CVPR2020论文解读：三维语义分割3D Semantic Segmentation
吴建明wujianming_110117
03-19 3143
CVPR2020论文解读：三维语义分割3D Semantic Segmentation xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation 摘要 无监督域自适应（UDA）对于解决新域中缺少注释的问题至关重要。有许多多模态数据集，但大多数UDA方法都是单模态的。在这项工作中，我们探索如何从多...
FASTERSEG SEARCHING FOR FASTER REAL-TIME SEMANTIC SEGMENTATION
06-02
计算机视觉Github开源论文
Pytorch-3D-Medical-Image-Semantic-Segmentation:使用Pytorch进行3D医学图像语义分割
05-24
Pytorch-3D-医学图像语义分割 这是我的私人研究资料库的发行版。 随着研究的进行，它将进行更新。 为什么我们需要AI来进行医学图像语义分割？ 放射治疗治疗计划需要精确的轮廓，以最大程度地扩大目标覆盖范围，同时...
Mix-and-Match Tuning for Self-Supervised Semantic Segmentation
02-08
摘要：Deep convolutional networks for semantic image segmentation typically require large-scale labeled data, e.g. ImageNet and MS COCO, for network pre-training. To reduce annotation efforts, self-...
Efficient Convolutions for Real-Time Semantic Segmentation of 3D
10-02
Efficient Convolutions for Real-Time Semantic Segmentation of 3D Point Clouds.zip
ECCV2020语义分割——Virtual Multi-view Fusion for 3D Semantic Segmentation
Dujing2019的博客
10-22 1355
Virtual Multi-view Fusion for 3D Semantic Segmentation动机 Motivation创新 Invocation 动机 Motivation 用于3D语义分割的最新技术（SOTA）方法使用3D稀疏体素卷积运算符来处理输入数据。例如，MinkowskiNet和SparseConvNet 各自将输入数据加载到稀疏3D体素网格中，并使用稀疏3D卷积提取特征。这些“placecentric”的方法旨在识别3D模式，因此对于具有独特3D形状的对象类型（例如椅子）效果很好
Semantic 3D Object Maps
10-11
\Semantic 3D Object Maps
Open3D-PointNet2-Semantic3D：使用Open3D和PointNet ++进行Semantic3D分割
02-06
使用Open3D和PointNet ++进行Semantic3D语义分割 介绍 使用和PointNet ++进行Semantic3D（semantic-8）分割的演示项目。 该项目的目的是展示Open3D在深度学习管道中的用法，并为Semantic3D数据集上的语义分段提供一个干净的基线实现。 这是语义8测试基准页面上的。 是一个开放源代码库，支持快速开发处理3D数据的软件。 Open3D前端使用C ++和Python公开了一组精心选择的数据结构和算法。 后端经过高度优化，并设置为并行化。 我们欢迎开源社区的贡献。 在此项目中，Open3D用于 点云数据的加载，编写和可视化。 Open3D
【Semantic Segmentation】语义分割综述 -- 3D
Arron_hou的博客
09-20 460
【Semantic Segmentation】语义分割综述 -- 3D3D 3D 3D语义分割主要用于医学领域，包括3D造影分割检测病变体积，3D DNA分割得到氨基酸等。
Semantic3D
cuiy24的博客
07-11 2821
包含8个语义类，涵盖了广泛的城市户外场景:教堂、街道、铁轨、广场、村庄、足球场和城堡。我们精心选择了各种不同的自然和人工场景，以防止分类器的过度拟合。所有发布的场景都是在中欧捕获的 数据格式 ascii text files with format {x, y, z, intensity, r, g, b} semantic-8： 包含8个语义标签 1：人造地形：主要是路面 2：自然地形：以草地为主 3：高植被：树木和大灌木丛 4：低植被：小于2米的花或小灌木 5：建筑物：教堂、市政厅、车站 6：硬景观：一
论文 3DMV: Joint 3D-Multi-View Prediction for 3D Semantic Scene Segmentation
sinat_26871259的博客
10-30 917
Dataset: ScanNet 获取方式： 签署协议书(http://dovahkiin.stanford.edu/scannet-public/ScanNet_TOS.pdf)后发送至邮箱：[email protected] Data Organization <scanId> |-- <scanId>.sens RGB-D sensor...
【计算点云语义分割中的iou】IoU Calculator
自动驾驶行业学习、交流
04-06 4293
参考：https://github.com/mit-han-lab/spvnas/blob/master/core/callbacks.py ''' Description: Author: suyunzheng Date: 2022-04-06 17:59:29 LastEditTime: 2022-04-06 19:15:34 LastEditors: maple ''' import numpy as np import torch from torch import Tensor from p.
SemanticKITTI在线提交test结果
自动驾驶行业学习、交流
04-14 2657
1、生成指定格式的label文件 注意在写的过程中完成label_map_invs， 注意在写的过程中完成label_map_invs， 注意在写的过程中完成label_map_invs， 参考： https://github.com/PRBonn/semantic-kitti-api/blob/master/remap_semantic_labels.py 使用脚本运行 run.sh #!/bin/bash for i in $(seq 11 21) do echo "===>
2020-Point attention network for semantic segmentation of 3D point clouds
自动驾驶行业学习、交流
01-07 1206
Point attention network for semantic segmentation of 3D point clouds Mingtao Fenga, Liang Zhangb, Xuefei Linc, Syed Zulqarnain Gilanid and Ajmal Miand* 年份：2020 期刊：Pattern Recognition IF：7.196 1、创新 1）通过attention机制实现LAE-Convs 学习丰富的局部信息 2）point-wise spatial
1080ti安装稀疏卷积库-MinkowskiEngine
自动驾驶行业学习、交流
07-07 1129
建议使用CUDA10.2，pytorch1.7的组合 建议使用CUDA10.2，pytorch1.7的组合 建议使用CUDA10.2，pytorch1.7的组合 目录一、下载相关nvidia显卡驱动、cuda、cudnn二、安装驱动三、安装pytorch、Minkowski Engine 本机配置 外星人台式机R7、gtx1080ti 最终配置： 1、显卡驱动：460.56 2、cuda： release 10.2, V10.2.89,下载地址 3、cudnn：下载地址 ./libcudnn8-de
randla-net: efficient semantic segmentation of large-scale point clouds
最新发布
06-28
randla-net是一种高效的大规模点云语义分割...它采用了一种新颖的点云降采样方法，可以在保持点云形状信息的同时大大减少点云数量。此外，它还使用了一种基于局部区域的特征提取方法，可以有效地捕捉点云中的局部特征。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

Tech沉思录

点赞加投币，感谢您的资瓷~

¥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