· 2020
RandLA-Net: Büyük Ölçekli Nokta Bulutlarının Verimli Anlamsal Segmentasyonu
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
- 2.031atıf
- 2020yıl
Kısa özet
Rastgele nokta örneklemesi ve yerel özellik toplama modülü kullanan RandLA-Net adlı sinir ağı, büyük ölçekli 3B nokta bulutlarının verimli anlamsal segmentasyonunu gerçekleştirerek, önceki yöntemlere göre 1 milyon noktayı 200 kata kadar daha hızlı işler.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Büyük ölçekli 3B nokta bulutlarının doğrudan nokta bazında anlamsal segmentasyonu için hafif bir sinir ağı olan RandLA-Net'i tanıtır.
- Karmaşık örnekleme tekniklerine göre hesaplama açısından verimli bir alternatif olan rastgele nokta örneklemesini kullanır.
- Rastgele örneklemenin kaybettiği geometrik detayları korumak için bir yerel özellik toplama modülü içerir.
- Mevcut yöntemlere kıyasla 1 milyon nokta için 200 kata kadar daha hızlı işlem hızları elde eder.
- Semantic3D ve SemanticKITTI kıyaslamalarında en gelişmiş performansı aşar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
We study the problem of efficient semantic segmentation for large-scale 3D point clouds. By relying on expensive sampling techniques or computationally heavy pre/post-processing steps, most existing approaches are only able to be trained and operate over small-scale point clouds. In this paper, we introduce RandLA-Net, an efficient and lightweight neural architecture to directly infer per-point semantics for large-scale point clouds. The key to our approach is to use random point sampling instead of more complex point selection approaches. Although remarkably computation and memory efficient, random sampling can discard key features by chance. To overcome this, we introduce a novel local feature aggregation module to progressively increase the receptive field for each 3D point, thereby effectively preserving geometric details. Extensive experiments show that our RandLA-Net can process 1 million points in a single pass with up to 200x faster than existing approaches. Moreover, our RandLA-Net clearly surpasses state-of-the-art approaches for semantic segmentation on two large-scale benchmarks Semantic3D and SemanticKITTI.
Yazarların özeti; kaynağından alınmıştır., 2020 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Mekanik
Computational MechanicsEngineering