【Semantic Segmentation】语义分割综述 -- 3D

SSCN，sparse convolutional networks

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...

文献中提出了许多关于三维语义分割的深度学习方法。根据所使用的数据表示方式，这些方法可分为五类，即基于 RGB-D 图像的方法、基于投影图像的方法、基于体素的方法、基于点的方法、基于三维视频的方法和基于其他表示方式的方法。根据网络架构，基于点的方法可进一步分为基于多层感知器（MLP）的方法、基于点卷积的方法、基于图卷积的方法和基于点变换器的方法。图 4 显示了近年来深度学习在三维语义分割方面取得的阶段性成果。 RGB-D 图像中的深度图包含真实世界的几何信息，有助于区分前景物体和背景，从而为提高

三维实例分割方法还能区分同一类别的不同实例。由于三维实例分割是一项对场景理解更有参考价值的任务，因此越来越受到研究界的关注。三维实例分割方法大致分为两个方向：proposal-based和proposal-free。 基于提议的方法首先预测对象提议，然后对其进行完善，生成最终的实例掩码（见图 7），从而将任务分解为两大挑战。因此，从建议生成的角度来看，这些方法可分为基于检测的方法和无检测方法。 基于检测的方法有时会将物体建议定义为三维边界框回归问题。3D-SIS Hou、Dai

本文是阅读 CVPR2022 Oral 论文《Scribble-Supervised LiDAR Semantic Segmentation》后所作笔记。 本文首先简要地概括了这篇论文地主要贡献，然后简单地介绍了论文提出的数据集 ScribbleKITTI，最后对其提出的 pipeline 进行相对详细的介绍。 文末附有论文及其相应代码的地址。...

3D Graph Neural Networks for RGBD Semantic Segmentation 文章目录3D Graph Neural Networks for RGBD Semantic Segmentation动机深度信息编码RGBD图像分割图神经网络贡献图构建传播模型预测模型效果实验细节对比结果消融实验总结思考相关链接 原文章：https://www.yuque.com/...

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

3D Graph Neural Networks for RGBD Semantic Segmentation 原文章：https://www.yuque.com/lart/papers/wmu47a 动机 主要针对的任务是RGBD语义分割, 不同于往常的RGB图像的语义分割任务, 这里还可以更多的考虑来自D通道的深度信息. 所以对于这类任务需要联合2D外观和3D几何信息来进行联合...

探索未来3D点云语义分割： Few-shot 3D Point Cloud Semantic Segmentation 项目地址:https://gitcode.com/gh_mirrors/at/attMPTI 在计算机视觉领域，3D点云语义分割一直是研究的热点，但现有的大多数方法依赖于大量标注数据，这在实际应用中往往难以获取且无法很好地泛化到未见过的新类别。为了解决这一难题，我们为您推荐一个创...

【点云语义分割】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds（CVPR 2020）Motivation概念MethodBaseline Method: PCAMMulti-Path Region MiningLearning a Semantic Segmentation Network实验experiments相关阅读[^sample_footnote1] 论文链接 代码链接:

摘要由于为点云语义分割网络训练准备标记数据是一个耗时的过程，因此引入了弱监督方法，仅从一小部分数据中学习。这些方法通常基于具有对比损失的学习，同时从一组稀疏的用户注释标签中自动导出每个点的伪标签。在本文中，我们的主要观察结果是，选择哪些要注释的样本与这些样本用于训练的方式一样重要。因此，我们介绍了一种将自我训练与主动学习相结合的 3d 场景的弱监督分割方法。主动学习选择可能导致训练模型改进的注释点，而自我训练有效地利用了用户提供的标签来学习模型。

阅读论文所做笔记，仅供参考！

点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达简介：Semantic-Segmentation-Editor是由日立汽车工业实验室(Hitachi Automotive And Industry Lab)开源的基于Web的语义对象标注编辑器(Semantic Segmentation Editor)，该工具专门用于创建机器学习语义分割的训练数据，为自动驾驶研究开发的...

3D LiDAR (光检测和测距) 语义分割对于许多应用 (例如自动驾驶和机器人技术) 在场景理解中很重要。第三章认真翻译的，其他章节可能是机器翻译。

Semantic Segmentation Editor（SSE）是一个强大的Web标注工具，专门为AI训练数据创建而生。这个开源工具支持2D图像和3D点云的语义分割标注，特别适合自动驾驶和计算机视觉研究。本文将深入解析SSE的API接口，并展示如何将其无缝集成到您的AI训练流程中，实现高效的标注数据管理。💡 ## 🌟 为什么选择Semantic Segmentation Editor？

semantic-segmentation-editor是一款功能强大的Web标注工具，专为位图图像和点云数据设计，提供直观高效的语义分割标注体验。本文将深入剖析其核心技术架构与实现原理，帮助开发者和用户更好地理解和使用这款工具。 ## 整体架构概览：前后端分离的设计理念 semantic-segmentation-editor采用现代化的前后端分离架构，基于Meteor框架构建，实现了高效的

摘要：   本文提出了一种基于图神经网络结合场景上下文的、用于3D激光雷达语义分割的方法。这个问题被定义为建立图表示中心分割与其邻居的拓扑关系，并推断中心分割的语义标签。图的节点是从距离图像的分割中生成的，适用于稠密和稀疏的点云。边的权重用于评估中心节点和邻居的相关性，由网络自动编码，因此邻居节点的数量就不再是一个敏感的参数。本系统由分割生成、图生成、边权重估计、节点更新和节点预测组成。动态场景数据集的定量评估表明该方法相比于unary CNN提升了8%，比常规的CNN提升了17%。 一、 ...

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达简介Semantic-Segmentation-Editor是由日立汽车工业实验室（Hitachi Automotiv...