- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉工坊
2021 CVPR | 基于渐进感受局部区域推理的全方位监督点云分割
表2中显示了在S3DIS Area-5的分割结果。在这个数据集中，作者还以可变形KPConv作为方法的框架，并在S3DIS Area-5数据上实现了68.73% mIoU，极大的提高了性能。 表2 S3DIS Area-5室内场景语义分割结果 ? ? 图4 S3DIS Area-5 测试数据集上的可视化结果。 在表3中，作者展示了所提方法和其他主流方法在Semantic3D上的结果。
1.1K50发布于 2021-07-05 - 来自专栏3D视觉从入门到精通
HybridCR：基于混合对比正则化的弱监督3D点云语义分割（CVPR 2022）
首先，我们将HybridCR与S3DIS Area-5上的SOTA方法进行了比较，其定量结果在表1中总结。 S3DIS Area-5测试集的可视化结果。原始点云、语义标签、baseline结果和我们的结果，分别从左到右显示。 图5. ScanNetV2验证集的可视化结果。 所有实验均在S3DIS Area-5上进行，结果如表3所示。请注意，#1由PSD报告，而#8由HybridCR报告，我们使用平均值和标准偏差（5 runs）报告结果。 动态数据增广器的有效性。 S3DIS Area-5上不同组件的消融实验情况。 5、结论 在本文中，我们提出了一种用于弱监督大规模点云语义分割的混合对比正则化框架。
84120编辑于 2023-04-29 - 来自专栏3D视觉从入门到精通
一种高效的基于邻域空间聚合的点云语义分割不确定性估计方法(ICRA2021)
数据集中的每个点云都是一个房间，Area-5中的点云作为测试数据，其他的作为训练数据。考虑到PointNet(++)很难直接处理单个房间的点云。因此，每个点云都被分成1mX1m 的块用于训练和测试。
80430发布于 2021-11-19 - 来自专栏计算机视觉工坊
一种高效的基于邻域空间聚合的点云语义分割不确定性估计方法(ICRA2021)
数据集中的每个点云都是一个房间，Area-5中的点云作为测试数据，其他的作为训练数据。考虑到PointNet(++)很难直接处理单个房间的点云。因此，每个点云都被分成1mX1m 的块用于训练和测试。
73430发布于 2021-11-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号