Interaktive 3D-Segmentierung mehrerer Objekte mit Aufmerksamkeitssteuerung
AGILE3D ist ein effizienter, aufmerksamkeitsbasierter Ansatz, der (1) die gleichzeitige Segmentierung mehrerer 3D-Objekte unterstützt, (2) genauere Segmentierungsmasken mit weniger Nutzerklicks liefert und (3) eine schnellere Inferenz bietet.
Lokale Nachbarschaftsmerkmale für die 3D-Klassifizierung
Die Verwendung von radius-normalisierten Abständen und Richtungsvektoren als zusätzliche lokale Nachbarschaftsmerkmale in Punktwolkenklassifizierungsmodellen wie PointNeXt verbessert die Klassifizierungsgenauigkeit, insbesondere auf realen Datensätzen.
Effiziente und effektive Methoden für die Segmentierung von 3D-Szenen mit wenigen Beispielen
Wir stellen zwei effiziente Methoden, Seg-NN und Seg-PN, vor, die die Abhängigkeit von großen Datensätzen für die 3D-Punktwolkensegmentierung reduzieren. Seg-NN ist ein trainingsfreier, nicht-parametrischer Ansatz, der vergleichbare Leistung wie bestehende parametrische Modelle erzielt, aber deutlich effizienter ist. Seg-PN ist eine parametrische Variante, die durch eine leichtgewichtige Modul-Optimierung die Leistung weiter verbessert.
Lift3D: Übertragung beliebiger 2D-Sichtmodelle auf 3D-Vorhersagen mit konsistenter Sicht
Lift3D überträgt beliebige 2D-Sichtmodelle auf 3D-Vorhersagen, die über verschiedene Ansichten hinweg konsistent sind, ohne zusätzliches Training für spezifische Aufgaben oder Szenen.
DOrA: Ein 3D-Bildverarbeitungsrahmen mit ordnungsbewusster Referenzierung für effiziente Objektlokalisierung
DOrA nutzt Großsprachmodelle, um eine Referenzreihenfolge von Ankergegenständen aus der natürlichen Beschreibung abzuleiten, um den Zielgegenstand in einer 3D-Punktwolkenszene effizient zu lokalisieren.
Effiziente Methode zur Verarbeitung und Analyse von 3D-Punktwolken für die Instanzsegmentierung unter Verwendung von Bounding-Box-Annotationen
Eine neuartige Pseudo-Labeling-Methode namens SAFormer, die den Mean-Teacher-Ansatz und simulierte Samples nutzt, um präzise Pseudo-Labels für überlappende Bereiche zu generieren. Darüber hinaus verwendet SAFormer eine Local-Global Aware Attention, um lokale Strukturen und globale Beziehungen effektiv zu modellieren.
Omni-Adaptive Sparse 3D CNNs für die semantische Segmentierung von 3D-Szenen
Durch die Einführung von adaptiven Rezeptionsfeldern und adaptiven Beziehungen können Sparse-CNN-Modelle die Leistung von Punkt-Transformer-Modellen in der 3D-semantischen Segmentierung übertreffen, ohne dabei Effizienz einzubüßen.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Ein Test-Zeit-Trainingsverfahren für 3D-semantische Segmentierung durch Wissenstransfer von Grundlagenmodellen
Unser TTT-KD-Algorithmus ist das erste Test-Zeit-Trainingsverfahren für die Aufgabe der 3D-semantischen Segmentierung, das Wissenstransfer von Grundlagenmodellen als selbstüberwachtes Hilfsziel nutzt, um die Netzwerkgewichte individuell für jede Testprobe anzupassen, sobald sie auftritt.
Schnelle und genaue 3D-Punktwolkenregistrierung durch stochastische spektrale Abtastung des Korrespondenzgraphen
Eine stochastische spektrale Abtaststrategie, die hochfrequente Knoten im Korrespondenzgraphen bevorzugt, ermöglicht eine deutliche Beschleunigung der Maximal-Clique-basierten Registrierung, ohne die Leistung wesentlich zu beeinträchtigen.
© 2024 by Linnk AI