CVPR2023 | 一种不需要点聚类的新颖点云实例分割算法

已于 2023-11-29 18:08:00 修改
阅读量861 收藏 7
点赞数
CC 4.0 BY-SA版权
分类专栏： 3D视觉从入门到精通 文章标签： 算法 聚类 数据挖掘 机器学习 人工智能
于 2023-11-13 07:30:57 首次发布
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/Yong_Qi2015/article/details/134389667
本文提出了一种名为ISBNet的新颖点云实例分割算法，该算法无需依赖传统的聚类方法。通过实例感知最远点采样和框感知动态卷积，ISBNet解决了现有方法在处理对象密集和大型对象时的局限性，提高了实例分割的精度和召回率。实验表明，ISBNet在ScanNetV2、S3DIS和STPLS3D数据集上实现了最先进的性能，同时保持了高效的推理时间。

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

作者：PCIPG-HAY | 来源：3D视觉工坊

在公众号「3D视觉工坊」后台，回复「原论文」可获取论文pdf和代码链接

添加微信：dddvisiona，备注：3D点云，拉你入群。文末附行业细分群

36d840807fbba78f74d4fa1ac18dd3f8.png

现有的 3D 实例分割方法以自下而上的设计为主——手动微调算法将点分组为簇，然后是细化网络。然而，由于依赖于聚类的质量，当（1）具有相同语义类的附近对象被打包在一起，或（2）具有松散连接区域的大型对象时，这些方法会产生容易受到影响的结果。为了解决这些限制，我们引入了 ISBNet，这是一种新颖的cluster-free方法，它将实例表示为内核并通过动态卷积解码实例掩码。为了有效地生成高召回率和判别力的内核，我们提出了一种名为“实例感知最远点采样”的简单策略来对候选进行采样，并利用受 PointNet++ 启发的本地聚合层对候选特征进行编码。此外，我们还表明，在动态卷积中预测和利用 3D 轴对齐边界框可以进一步提高性能。我们的方法在 ScanNetV2 (55.9)、S3DIS (60.8) 和 STPLS3D (49.2) 上的 AP 上设置了新的最先进结果，并保留了快速推理时间（Sca

了解本专栏 订阅专栏 解锁全文 超级会员免费看
CVPR‘24开源！OneFormer3D：点云分割大一统！所有分割任务全SOTA！
3D视觉工坊
03-01 633
三维点云的语义分割、实例分割和全景分割已经使用特定任务的不同设计模型来解决。因此，所有分割任务的相似性和它们之间的隐含关系尚未有效利用。本文提出了一个统一、简单、有效的模型，同时解决了所有这些任务。该模型名为OneFormer3D，使用一组可学习的内核一致执行实例和语义分割，其中每个内核负责为实例或语义类别生成掩码。这些内核使用基于Transformer的解码器进行训练，统一实例和语义查询作为输入传递。这样的设计使得可以在单次运行中端到端地训练模型，从而同时在所有三个分割任务上实现最佳性能。
CVPR 2023｜3D模型分割新方法！不用人工标注，只需一次训练，未标注类别也能识别
jacke121的专栏
04-02 1949
CVPR 2023｜3D模型分割新方法！不用人工标注，只需一次训练，未标注类别也能识别
CVPR‘25 | 告别繁琐标注！只需粗略框注，3D实例分割也能超越全监督！
最新发布
3D视觉工坊
06-07 65
具体来说，我们首先提出了一种自适应的框到点伪标签生成器，能够自适应地将位于两个粗略边界框重叠区域的点正确分配到对应的实例，从而生成紧凑且纯净的伪实例标签。然而，我们的实验也表明，当标注的草绘边界框极度不准确时，方法性能会显著下降，对该问题的进一步探索可能成为未来的研究方向。然后，方法会根据这些粗略的框，自适应地生成“伪标签”——也就是给每个点分配一个可能的类别标签（伪的，因为不是人工精确标注的），这一步相当于是给模型一个大致的参考。不过，如果草绘边界框太不准确，伪标签就不可靠，模型性能就会大幅下降。
CVPR 2023：Integrally Pre-Trained Transformer Pyramid Networks
weixin_43781113的博客
03-23 862
在本文中，我们提出了一个基于掩蔽图像建模 (MIM) 的整体预训练框架。我们提倡联合预训练 backbone 和 neck，使 MIM 和下游识别任务之间的迁移差距最小。我们做出了两项技术贡献。首先，我们通过在预训练阶段插入特征金字塔来统一重建和识别颈部。其次，我们用屏蔽特征建模 (MFM) 补充屏蔽图像建模 (MIM)，为特征金字塔提供多阶段监督。预训练模型称为整体预训练变压器金字塔网络 (iTPN)，可作为视觉识别的强大基础模型。
【CVPR2023】具有全局上下文增强的自适应稀疏卷积网络，用于加快无人机图像的目标检测...
深度学习与计算机视觉
09-22 2262
论文标题：Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images代码：https://github.com/Cuogeihong/CEASC导读本文文着眼于解决在无人机平台上进行目标检测所面临的挑战，即需要在有限的计算资源下实...
CVPR2023 | 集成预训练金字塔结构的Transformer模型
CV技术指南（微信公众号）
03-15 1970
本文提出了一种新的预训练模型架构（iTPN ），该架构由多个金字塔形的Transformer层组成。每个层都包含多个子层，其中一些是普通的self-attention和feed-forward层，而另一些则是新的pyramid层。Pyramid层是一种新的层类型，它被设计为对输入进行多粒度的表示学习。此外，iTPN 还使用了一些其他的技巧，以提高模型的鲁棒性和泛化能力。
CVPR 2023 | 最新主干FasterNet！远超MobileViT等模型
热门推荐
CV_Autobot的博客
03-10 1万+
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。为了实现更快的网络，作者重新回顾了FLOPs的运算符，并证明...
CVPR 2023 | 无中生有：面向实时点云全景分割的中心聚焦网络
Paper weekly
11-22 1172
©PaperWeekly 原创 ·作者 |李笑颜单位｜北京工业大学论文地址：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_Center_Focusing_Network_for_Real-Time_LiDAR_Panoptic_Segmentation_CVPR_2023_paper.pdf代码地址：https://githu...
【点云识别】PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation (CVPR 2020)
Orientliu96的博客
04-14 2045
PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation 本文介绍一篇cvpr2020里面关于点云实例分割的文章。 论文 目前还没有开源代码 1. 问题 和2D图片不同，3D点云不存在遮挡现象，存在大量的void space， 本文想充分利用void space 进行分割。 2. 思想 那么如何利用这些void space 呢...
PointGroup:实现高效3D实例分割的算法介绍
1. 3D实例分割的背景与挑战：在3D点云数据中进行实例分割比2D图像分割更具挑战性，因为点云数据的稀疏性和不规则性。 2. 端到端自底向上体系结构：PointGroup采用了一种端到端的学习方式，这代表了从原始输入到最终...
CVPR2023 | 微软提出高效率大规模图文检索模型
zenRRan的博客
02-24 2775
来自：圆圆的算法笔记进NLP群—>加入NLP交流群论文标题：LexLIP: Lexicon-Bottlenecked Language-Image Pre-Training for Large-Scale Image-Text Retrieval下载地址：https://arxiv.org/abs/2302.02908根据一张图片检索相关文本，或者根据一段文本检索相关图片，在现在的工业界中越...
CVPR 2023 最全论文整理：图像/全景/语义/实例分割等【附PDF+代码】
深度学习技术前沿
06-15 8224
01图像分割类[1]AutoFocusFormer: Image Segmentation off the Grid推荐理由：该论文提出了 AutoFocusFormer (AFF)，一种局部注意力变换器图像识别主干，它通过学习保留任务最重要的像素来执行自适应下采样。放弃了经典的网格结构，该论文开发了一种新的基于点的局部注意力块，由平衡聚类模块和可学习的邻域合并模块提供便利，可以为最先进的分割头的...
CVPR 2023 Workshop|马普所、麻省理工等举办生成模型研讨会
我爱计算机视觉
02-23 623
关注公众号，发现CV技术之美近期生成式建模（扩散模型，神经场等）实现了令人惊叹的2D和3D视觉合成效果，在人工智能领域引发了非常广泛的关注。然而，这些令人印象深刻的生成式模型尚未被广泛地应用于视觉理解任务。因此，来自德国马普所、美国麻省理工学院和约翰霍普金斯大学的学者将在CVPR 2023组织研讨会，邀请相关领域专家汇聚一堂，讨论生成式模型与视觉理解任务的关联，同时研讨会也接受相关文章投稿。????研讨...
CVPR2023：IDEA与清华提出首个一阶段3D全身人体网格重建算法，代码开源！
jacke121的专栏
04-10 3778
CVPR2023：IDEA与清华提出首个一阶段3D全身人体网格重建算法，代码开源！
CVPR 2023 | 统一框架MAGE：表征学习超MAE，无监督图像生成超越Latent Diffusion
Paper weekly
03-09 3323
©作者 |机器之心编辑部来源|机器之心在一篇 CVPR 2023 论文中，来自 MIT 和谷歌的研究人员提出了一种全新的框架 MAGE，同时在图像识别和生成两大任务上实现了 SOTA。识别和生成是人工智能领域中的两大核心任务，如果能将二者合并到一个统一的系统中，这两个任务应该能实现互补。事实上，在自然语言处理中，像 BERT [1] 这样的模型不仅能够生成高质量的文本，还能够提取文本中的特征...
CVPR2023最新论文 (含语义分割、扩散模型、多模态、预训练、MAE等方向)
AI_ayuan的博客
03-06 1万+
2023 年 2 月 28 日凌晨，CVPR 2023 顶会论文接收结果出炉！CVPR 2023 收录的工作中 " 扩散模型、多模态、预训练、MAE " 相关工作的数量会显著增长。
CVPR2023 best paper: Planning-oriented Autonomous Driving 解析
achao的专栏
06-18 3485
现代自动驾驶系统通常是模块化的序列任务，这种方式很容易造成累积误差和任务协调不足，因此设计一个端到端架构，从全局的视角出发为agent的交互提供互补的特征提取。
【CVPR2023】最新论文新鲜出炉，快来食用吧...
IceFlame的博客
03-30 7459
【CVPR2023】
CVPR 2023 | Making Vision Transformers Efficient from A Token Sparsification View
画心
06-15 2026
CVPR 2023，基于token稀疏化的transformer高效模型。
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

3Ｄ视觉工坊

你的鼓励将是我创作的最大动力

¥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