Détail de l'autorité
|
CVPR 2019, IEEE Conference on Computer Vision and Pattern Recognition 16/06/2019 20/06/2019 Long Beach Californie - Etats-Unis Open Access Proceedings
nom du congrès :
CVPR 2019, IEEE Conference on Computer Vision and Pattern Recognition
début du congrès :
16/06/2019
fin du congrès :
20/06/2019
ville du congrès :
Long Beach
pays du congrès :
Californie - Etats-Unis
site des actes du congrès :
|
Documents disponibles (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
Titre : Point cloud oversegmentation with graph-structured deep metric learning Type de document : Article/Communication Auteurs : Loïc Landrieu , Auteur ; Mohamed Boussaha
Editeur : Computer vision foundation CVF Année de publication : 2019 Projets : 1-Pas de projet / Conférence : CVPR 2019, IEEE Conference on Computer Vision and Pattern Recognition 16/06/2019 20/06/2019 Long Beach Californie - Etats-Unis Open Access Proceedings Importance : pp 7432 - 7441 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] apprentissage profond
[Termes IGN] données localisées 3D
[Termes IGN] graphe
[Termes IGN] réseau neuronal artificiel
[Termes IGN] segmentation sémantique
[Termes IGN] semis de pointsRésumé : (auteur) We propose a new supervized learning framework foroversegmenting 3D point clouds into superpoints. We castthis problem as learning deep embeddings of the local ge-ometry and radiometry of 3D points, such that the border ofobjects presents high contrasts. The embeddings are com-puted using a lightweight neural network operating on thepoints’ local neighborhood. Finally, we formulate pointcloud oversegmentation as a graph partition problem withrespect to the learned embeddings.This new approach allows us to set a new state-of-the-artin point cloud oversegmentation by a significant margin, ona dense indoor dataset (S3DIS) and a sparse outdoor one(vKITTI). Our best solution requires over five times fewersuperpoints to reach similar performance than previouslypublished methods on S3DIS. Furthermore, we show thatour framework can be used to improve superpoint-basedsemantic segmentation algorithms, setting a new state-of-the-art for this task as well. Numéro de notice : C2019-017 Affiliation des auteurs : LASTIG MATIS (2012-2019) Autre URL associée : vers CVF Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPR.2019.00762 Date de publication en ligne : 09/01/2020 En ligne : https://doi.org/10.1109/CVPR.2019.00762 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93351
