JP7210085B2 - ポイントクラウドセグメンテーション方法、コンピュータプログラム及びコンピュータ機器 - Google Patents
ポイントクラウドセグメンテーション方法、コンピュータプログラム及びコンピュータ機器 Download PDFInfo
- Publication number
- JP7210085B2 JP7210085B2 JP2021517774A JP2021517774A JP7210085B2 JP 7210085 B2 JP7210085 B2 JP 7210085B2 JP 2021517774 A JP2021517774 A JP 2021517774A JP 2021517774 A JP2021517774 A JP 2021517774A JP 7210085 B2 JP7210085 B2 JP 7210085B2
- Authority
- JP
- Japan
- Prior art keywords
- instance
- semantic
- point
- features
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims description 200
- 238000000034 method Methods 0.000 title claims description 68
- 238000004590 computer program Methods 0.000 title claims description 28
- 230000004927 fusion Effects 0.000 claims description 112
- 239000011159 matrix material Substances 0.000 claims description 105
- 239000013598 vector Substances 0.000 claims description 105
- 238000012545 processing Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 241000282326 Felis catus Species 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000002131 composite material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
Description
本願は、2019年02月25に提出された、出願番号が201910138419.6であり、発明名称が「ポイントクラウドセグメンテーション方法及びその装置、コンピュータ可読記憶媒体並びにコンピュータ機器」である中国特許出願に基づく優先権を主張し、該中国特許出願の全内容が参照として本願に組み込まれる。
処理されるべきポイントクラウドに対して符号化を行い、共有特徴を得るステップであって、前記共有特徴は、セマンティックレベル及びインスタンスレベルで共有される特徴である、ステップと、
異なる復号化方式で前記共有特徴を復号化し、セマンティック特徴及びインスタンス特徴をそれぞれ得るステップと、
前記セマンティック特徴をインスタンス特徴空間にアダプテーションさせた後に前記インスタンス特徴と融合し、前記ポイントクラウドのセマンティック融合インスタンス特徴を得るステップであって、前記セマンティック融合インスタンス特徴は、セマンティック特徴を融合したインスタンス特徴を表す、ステップと、
前記ポイントクラウドのセマンティック融合インスタンス特徴に対して分割を行い、前記ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴を得るステップと、
各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記ポイントが属するインスタンスカテゴリを決定するステップと、を含む。
処理されるべきポイントクラウドに対して符号化を行い、共有特徴を得るように構成される符号化モジュールと、
異なる復号化方式で前記共有特徴を復号化し、セマンティック特徴及びインスタンス特徴をそれぞれ得るように構成される復号化モジュールと、
前記セマンティック特徴をインスタンス特徴空間にアダプテーションさせた後に前記インスタンス特徴と融合し、前記ポイントクラウドのセマンティック融合インスタンス特徴を得、前記ポイントクラウドのセマンティック融合インスタンス特徴に対して分割を行い、前記ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴を得るように構成されるセマンティック融合インスタンスモジュールであって、前記セマンティック融合インスタンス特徴は、セマンティック特徴を融合したインスタンス特徴を表す、セマンティック融合インスタンスモジュールと、
各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記ポイントが属するインスタンスカテゴリを決定するように構成されるセマンティック融合インスタンスセグメンテーションモジュールと、を備える。
前記インスタンス融合セマンティックセグメンテーションモジュールは、各前記中心ポイントのインスタンス融合セマンティック特徴に基づいて、各前記ポイントが属するセマンティックカテゴリを決定するように構成される。
前記インスタンス融合セマンティックモジュールは更に、各前記中心ポイントに対応する複数の近隣ポイントのセマンティック特徴ベクトルをビット毎に融合し、対応する中心ポイントの第2ベクトルを得るように構成され、前記第2ベクトルは、インスタンス融合したセマンティック特徴ベクトルである。
例えば、行列
引き続き図4を参照すると、コンピュータ機器は、ポイントクラウドのインスタンス嵌め込みベクトルEINSを得、つまり、ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴ベクトルを得た後、ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴ベクトルに基づいて、kNN(k-NearestNeighbor:k近傍アルゴリズム)を用いて、各ポイントに対して、インスタンス嵌め込みベクトル空間において、所定の数(K)の近隣ポイント(自己を含む)を見出すことができる。
701 符号化モジュール
702 復号化モジュール
703 セマンティック融合インスタンスモジュール
704 セマンティック融合インスタンスセグメンテーションモジュール
705 インスタンス融合セマンティックモジュール
706 インスタンス融合セマンティックセグメンテーションモジュール
Claims (13)
- コンピュータ機器が実行するポイントクラウドセグメンテーション方法であって、
処理されるべきポイントクラウドに対して符号化を行い、共有特徴を得るステップであって、前記共有特徴は、セマンティックレベル及びインスタンスレベルで共有される特徴である、ステップと、
異なる復号化方式で前記共有特徴を復号化し、セマンティック特徴及びインスタンス特徴をそれぞれ得るステップと、
各ポイントをそれぞれ処理する各ポイントの独立した全結合層により前記セマンティック特徴をインスタンス特徴空間にアダプテーションさせた後に、前記インスタンス特徴と融合し、前記ポイントクラウドのセマンティック融合インスタンス特徴を得るステップであって、前記セマンティック融合インスタンス特徴は、セマンティック特徴を融合したインスタンス特徴を表す、ステップと、
前記ポイントクラウドのセマンティック融合インスタンス特徴に対して分割を行い、前記ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴を得るステップと、
各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記ポイントが属するインスタンスカテゴリを決定するステップと、を含む、ポイントクラウドセグメンテーション方法。 - 前記処理されるべきポイントクラウドに対して符号化を行い、共有特徴を得るステップは、
処理されるべきポイントクラウドを取得するステップと、
前記ポイントクラウドにおける各ポイントの座標特徴とチャネル特徴を組み合わせ、対応するポイントの初期特徴を得るステップと、
各前記ポイントの初期特徴を共同で符号化し、前記ポイントクラウドに対応する共有特徴を得るステップと、を含むことを特徴とする
請求項1に記載のポイントクラウドセグメンテーション方法。 - 前記異なる復号化方式で前記共有特徴を復号化し、セマンティック特徴及びインスタンス特徴をそれぞれ得るステップは、
第1復号化構造により前記共有特徴を復号化し、セマンティック特徴を得るステップと、
第2復号化構造により前記共有特徴を復号化し、インスタンス特徴を得るステップと、を含み、
前記第1復号化構造と前記第2復号化構造とは、構造が同じであるが、復号化パラメータが異なることを特徴とする
請求項1に記載のポイントクラウドセグメンテーション方法。 - 前記セマンティック特徴は、セマンティック特徴行列であり、前記インスタンス特徴は、インスタンス特徴行列であり、各ポイントをそれぞれ処理する各ポイントの独立した全結合層により前記セマンティック特徴をインスタンス特徴空間にアダプテーションさせた後に、前記インスタンス特徴と融合し、前記ポイントクラウドのセマンティック融合インスタンス特徴を得るステップは、
各ポイントの独立した第1全結合層により前記セマンティック特徴行列をインスタンス特徴空間にアダプテーションさせるステップと、
前記インスタンス特徴空間にアダプテーションしたセマンティック特徴行列と前記インスタンス特徴行列をビット毎に加算し、前記ポイントクラウドの第1行列を得るステップであって、前記第1行列は、セマンティック融合したインスタンス特徴行列である、ステップと、を含むことを特徴とする
請求項1に記載のポイントクラウドセグメンテーション方法。 - 前記ポイントクラウドのセマンティック融合インスタンス特徴に対して分割を行い、前記ポイントクラウドにおける各ポイントのセマンティック融合インスタンス特徴を得るステップは、
前記ポイントクラウドのセマンティック融合インスタンス特徴行列を各ポイントの独立した第2全結合層に入力するステップと、
前記第2全結合層に含まれる正規化層及び活性化層により、前記ポイントクラウドの第1行列に対して順に処理を行い、前記ポイントクラウドにおける各ポイントの第1ベクトルを得るステップであって、前記第1ベクトルは、セマンティック融合したインスタンス特徴ベクトルである、ステップと、を含むことを特徴とする
請求項4に記載のポイントクラウドセグメンテーション方法。 - 前記各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記ポイントが属するインスタンスカテゴリを決定するステップは、
前記ポイントクラウドにおける各ポイントに対して、前記ポイントのセマンティック融合インスタンス特徴と前記ポイントクラウドにおける前記ポイント以外の他の各ポイントのセマンティック融合インスタンス特徴との特徴距離をそれぞれ算出するステップと、
算出された前記特徴距離に基づいて、前記ポイントクラウドにおけるポイントをクラスタリングし、複数組のポイントを得るステップであって、前記複数組のポイントにおける各組のポイントは、1つのインスタンスカテゴリに対応する、ステップと、を含むことを特徴とする請求項1に記載のポイントクラウドセグメンテーション方法。 - 前記ポイントクラウドにおける各前記ポイントをそれぞれ中心ポイントとするステップと、
各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記中心ポイントに対応する複数の近隣ポイントを決定するステップと、
各前記中心ポイントに対応する複数の近隣ポイントのセマンティック特徴を融合し、対応する中心ポイントのインスタンス融合セマンティック特徴を得るステップと、
各前記中心ポイントのインスタンス融合セマンティック特徴に基づいて、各前記ポイントが属するセマンティックカテゴリを決定するステップと、を更に含むことを特徴とする
請求項1~5のうちいずれか一項に記載のポイントクラウドセグメンテーション方法。 - 各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記中心ポイントに対応する複数の近隣ポイントを決定するステップは、
各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各中心ポイントと前記ポイントクラウドにおける各ポイントとの特徴距離をそれぞれ算出するステップと、
前記中心ポイントとの特徴距離が所定の距離未満である複数のポイントを前記中心ポイントに対応する複数の近隣ポイントとして選択するステップと、を含むことを特徴とする
請求項7に記載のポイントクラウドセグメンテーション方法。 - 異なる復号化方式で前記共有特徴を復号化し、セマンティック特徴及びインスタンス特徴をそれぞれ得るステップは、
第1復号化方式で前記共有特徴を復号化し、前記ポイントクラウドのセマンティック特徴行列を得るステップと、
前記第1復号化方式と異なる第2復号化方式で前記共有特徴を復号化し、前記ポイントクラウドのインスタンス特徴行列を得るステップであって、前記セマンティック特徴行列は、前記ポイントクラウドにおける各ポイントのセマンティック特徴ベクトルを含む、ステップと、を含み、
各前記中心ポイントに対応する複数の近隣ポイントのセマンティック特徴を融合し、対応する中心ポイントのインスタンス融合セマンティック特徴を得るステップは、
各前記中心ポイントに対応する複数の近隣ポイントのセマンティック特徴ベクトルをビット毎に融合し、対応する中心ポイントの第2ベクトルを得るステップであって、前記第2ベクトルは、インスタンス融合したセマンティック特徴ベクトルである、ステップを含むことを特徴とする
請求項8に記載のポイントクラウドセグメンテーション方法。 - 各前記中心ポイントのインスタンス融合セマンティック特徴に基づいて、各前記ポイントが属するセマンティックカテゴリを決定するステップは、
各ポイントの独立した第3全結合層により、各中心ポイントの前記インスタンス融合セマンティック特徴を対応するセマンティック予測ベクトルに変換するステップと、
各中心ポイントのセマンティック予測ベクトルにおける最大ベクトル要素に対応するセマンティックカテゴリを各前記ポイントが属するセマンティックカテゴリとするステップと、を含むことを特徴とする
請求項7に記載のポイントクラウドセグメンテーション方法。 - 各前記ポイントのセマンティック融合インスタンス特徴に基づいて、各前記ポイントが属するインスタンスカテゴリを決定するステップは、
前記ポイントクラウドにおける各点に対して、前記ポイントのインスタンス特徴と前記ポイントクラウドにおける前記ポイント以外の他の各ポイントのインスタンス特徴との特徴距離を算出するステップと、
算出された特徴距離に基づいて、前記ポイントクラウドにおけるポイントをクラスタリングし、複数組のポイントを得るステップと、
前記複数組のポイントにおける各組のポイントが属するセマンティックカテゴリに基づいて、各組のポイントが属するインスタンスカテゴリを決定するステップと、を含むことを特徴とする
請求項10に記載のポイントクラウドセグメンテーション方法。 - コンピュータに請求項1から11のうちいずれか一項に記載の方法を実行させる、コンピュータプログラム。
- コンピュータ機器であって、メモリと、プロセッサと、を備え、前記メモリにコンピュータプログラムが記憶されており、前記プロセッサはコンピュータプログラムを実行して、請求項1から11のうちいずれか一項に記載の方法を実行する、コンピュータ機器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138419.6 | 2019-02-25 | ||
CN201910138419.6A CN109886272B (zh) | 2019-02-25 | 2019-02-25 | 点云分割方法、装置、计算机可读存储介质和计算机设备 |
PCT/CN2020/074637 WO2020173297A1 (zh) | 2019-02-25 | 2020-02-10 | 点云分割方法、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022501740A JP2022501740A (ja) | 2022-01-06 |
JP7210085B2 true JP7210085B2 (ja) | 2023-01-23 |
Family
ID=66929189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021517774A Active JP7210085B2 (ja) | 2019-02-25 | 2020-02-10 | ポイントクラウドセグメンテーション方法、コンピュータプログラム及びコンピュータ機器 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11810377B2 (ja) |
EP (1) | EP3933688B1 (ja) |
JP (1) | JP7210085B2 (ja) |
KR (1) | KR102510745B1 (ja) |
CN (1) | CN109886272B (ja) |
WO (1) | WO2020173297A1 (ja) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10549186B2 (en) * | 2018-06-26 | 2020-02-04 | Sony Interactive Entertainment Inc. | Multipoint SLAM capture |
CN109886272B (zh) * | 2019-02-25 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 点云分割方法、装置、计算机可读存储介质和计算机设备 |
US11202054B2 (en) * | 2019-07-05 | 2021-12-14 | Tencent America LLC | Method and apparatus for inter-channel prediction and transform for point-cloud attribute coding |
US11232599B2 (en) * | 2019-07-11 | 2022-01-25 | Tencent America LLC | Method and apparatus for inter-channel prediction and transform for point cloud attribute coding |
CN110334237B (zh) * | 2019-07-15 | 2022-03-01 | 清华大学 | 一种基于多模态数据的立体对象检索方法与系统 |
JP7386337B2 (ja) * | 2019-09-30 | 2023-11-24 | オッポ広東移動通信有限公司 | 分割方法、符号器、復号器及びコンピュータ記憶媒体 |
CN111047596A (zh) * | 2019-12-12 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 一种三维点云实例分割方法、系统及电子设备 |
CN111192265B (zh) * | 2019-12-25 | 2020-12-01 | 中国科学院上海微系统与信息技术研究所 | 一种基于点云的语义实例确定方法、装置、电子设备及存储介质 |
CN111191582B (zh) * | 2019-12-27 | 2022-11-01 | 深圳市越疆科技有限公司 | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 |
CN111178253B (zh) * | 2019-12-27 | 2024-02-27 | 佑驾创新(北京)技术有限公司 | 自动驾驶的视觉感知方法、装置、计算机设备和存储介质 |
CN111242954B (zh) * | 2020-01-20 | 2022-05-13 | 浙江大学 | 一种带有双向连接和遮挡处理的全景分割方法 |
CN111311691A (zh) * | 2020-03-05 | 2020-06-19 | 上海交通大学 | 拆垛机器人拆垛方法及系统 |
CN111275026B (zh) * | 2020-03-23 | 2022-09-13 | 复旦大学 | 一种三维点云联合语义和实例分割的方法 |
CN112418235B (zh) * | 2020-11-20 | 2023-05-30 | 中南大学 | 一种基于膨胀最近邻特征增强的点云语义分割方法 |
CN112583803A (zh) * | 2020-12-04 | 2021-03-30 | 上海交通大学 | 数据处理方法、装置、通信节点和存储介质 |
CN112489060B (zh) * | 2020-12-07 | 2022-05-10 | 北京医准智能科技有限公司 | 一种用于肺炎病灶分割的系统及方法 |
CN112712089B (zh) * | 2020-12-31 | 2024-09-20 | 的卢技术有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
US11455161B2 (en) * | 2021-02-01 | 2022-09-27 | Accenture Global Solutions Limited | Utilizing machine learning models for automated software code modification |
CN112819833B (zh) * | 2021-02-05 | 2022-07-12 | 四川大学 | 一种大场景点云语义分割方法 |
CN113487722B (zh) * | 2021-06-18 | 2023-10-31 | 浙江大学 | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 |
CN113516663B (zh) * | 2021-06-30 | 2022-09-27 | 同济大学 | 点云语义分割方法及装置、电子设备及存储介质 |
CN113591869A (zh) * | 2021-08-03 | 2021-11-02 | 北京地平线信息技术有限公司 | 点云实例分割方法和装置、电子设备和存储介质 |
CN114170410B (zh) * | 2021-11-30 | 2024-09-06 | 西安理工大学 | 基于PointNet的图卷积与KNN搜索的点云零件级分割方法 |
CN114241226A (zh) * | 2021-12-07 | 2022-03-25 | 电子科技大学 | 一种基于混合模型多邻域特征的三维点云语义分割方法 |
CN114419250B (zh) * | 2021-12-27 | 2023-03-10 | 广州极飞科技股份有限公司 | 点云数据矢量化方法及装置、矢量地图生成方法及装置 |
CN114972962B (zh) * | 2022-01-21 | 2024-08-09 | 昆明理工大学 | 一种自适应调控卷积与双路嵌入的街景分割方法及系统 |
CN115063787A (zh) * | 2022-02-18 | 2022-09-16 | 上海大学 | 一种面向大型复杂曲面零件点云的语义分割方法 |
CN114528950B (zh) * | 2022-04-24 | 2022-07-12 | 北京中超伟业信息安全技术股份有限公司 | 一种基于三维点云识别保密介质类型的销毁方法与系统 |
CN114821500A (zh) * | 2022-04-26 | 2022-07-29 | 清华大学 | 基于点云的多源特征融合的重定位方法及装置 |
WO2023224304A1 (en) * | 2022-05-19 | 2023-11-23 | Samsung Electronics Co., Ltd. | Method and electronic device for achieving accurate point cloud segmentation |
CN114937122A (zh) * | 2022-06-16 | 2022-08-23 | 黄冈强源电力设计有限公司 | 一种水泥纤维板房的快速三维模型重建方法 |
CN114926699B (zh) * | 2022-07-20 | 2022-12-06 | 深圳大学 | 一种室内三维点云语义分类方法、装置、介质及终端 |
CN115115839A (zh) * | 2022-07-28 | 2022-09-27 | 南京工业大学 | 一种基于局部特征增强PointNet++网络的建筑物室内点云分割方法 |
CN118279578A (zh) * | 2022-12-30 | 2024-07-02 | 同方威视科技江苏有限公司 | Ct图像处理方法及装置、以及国际快件的查验方法及装置 |
CN117523547B (zh) * | 2024-01-04 | 2024-03-29 | 山东省凯麟环保设备股份有限公司 | 一种三维场景语义感知方法、系统、设备与介质 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102238693B1 (ko) * | 2014-06-20 | 2021-04-09 | 삼성전자주식회사 | 포인트 클라우드에서 특징 영역을 추출하는 방법 및 장치 |
CN105006016B (zh) * | 2015-05-21 | 2017-10-27 | 北京航空航天大学 | 一种贝叶斯网络约束的部件级三维模型构建方法 |
US10424064B2 (en) * | 2016-10-18 | 2019-09-24 | Adobe Inc. | Instance-level semantic segmentation system |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
EP3333538B1 (en) * | 2016-12-07 | 2020-09-09 | Hexagon Technology Center GmbH | Scanner vis |
CN108509820B (zh) * | 2017-02-23 | 2021-12-24 | 百度在线网络技术(北京)有限公司 | 障碍物分割方法及装置、计算机设备及可读介质 |
CN106709481A (zh) * | 2017-03-03 | 2017-05-24 | 深圳市唯特视科技有限公司 | 一种基于二维‑三维语义数据集的室内场景理解方法 |
US10635927B2 (en) * | 2017-03-06 | 2020-04-28 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
US20180336454A1 (en) * | 2017-05-19 | 2018-11-22 | General Electric Company | Neural network systems |
JP6989688B2 (ja) * | 2017-07-21 | 2022-01-05 | トヨタ モーター ヨーロッパ | セマンティック・インスタンス・セグメンテーションに使用されるニューラルネットワークを訓練するための方法およびシステム |
CN108229479B (zh) * | 2017-08-01 | 2019-12-31 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
CN107704862A (zh) * | 2017-11-06 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于语义实例分割算法的视频对象分割方法 |
US10824862B2 (en) * | 2017-11-14 | 2020-11-03 | Nuro, Inc. | Three-dimensional object detection for autonomous robotic systems using image proposals |
CN108230329B (zh) * | 2017-12-18 | 2021-09-21 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN108427951B (zh) * | 2018-02-08 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN108335305B (zh) * | 2018-02-09 | 2020-10-30 | 北京市商汤科技开发有限公司 | 图像分割方法和装置、电子设备、程序和介质 |
CN108460411B (zh) * | 2018-02-09 | 2021-05-04 | 北京市商汤科技开发有限公司 | 实例分割方法和装置、电子设备、程序和介质 |
CN109118519A (zh) * | 2018-07-26 | 2019-01-01 | 北京纵目安驰智能科技有限公司 | 基于实例分割的目标Re-ID方法、系统、终端和存储介质 |
CN109345540B (zh) * | 2018-09-15 | 2021-07-13 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
CN109886727A (zh) | 2019-01-08 | 2019-06-14 | 秒针信息技术有限公司 | 揽客效率的评估方法及装置 |
CN109886272B (zh) * | 2019-02-25 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 点云分割方法、装置、计算机可读存储介质和计算机设备 |
-
2019
- 2019-02-25 CN CN201910138419.6A patent/CN109886272B/zh active Active
-
2020
- 2020-02-10 WO PCT/CN2020/074637 patent/WO2020173297A1/zh unknown
- 2020-02-10 EP EP20763155.7A patent/EP3933688B1/en active Active
- 2020-02-10 JP JP2021517774A patent/JP7210085B2/ja active Active
- 2020-02-10 KR KR1020217014443A patent/KR102510745B1/ko active IP Right Grant
-
2021
- 2021-07-22 US US17/383,406 patent/US11810377B2/en active Active
Non-Patent Citations (2)
Title |
---|
Weiyue Wang et al.,SGPN: Similarity Group Proposal Network for 3D Point Cloud Instance Segmentation,2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition,IEEE,2018年06月23日 |
Zhidong Liang et al.,3D Graph Embedding Learning with a Structure-aware Loss Function for Point Cloud Semantic Instance Segmentation,[online],2019年02月14日,[令和4年5月25日検索],インターネット <url: http://export.arxiv.org/pdf/1902.05247v1> |
Also Published As
Publication number | Publication date |
---|---|
EP3933688A1 (en) | 2022-01-05 |
KR20210074353A (ko) | 2021-06-21 |
JP2022501740A (ja) | 2022-01-06 |
EP3933688A4 (en) | 2022-05-11 |
US20210350183A1 (en) | 2021-11-11 |
CN109886272A (zh) | 2019-06-14 |
US11810377B2 (en) | 2023-11-07 |
EP3933688B1 (en) | 2024-05-29 |
KR102510745B1 (ko) | 2023-03-15 |
WO2020173297A1 (zh) | 2020-09-03 |
CN109886272B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7210085B2 (ja) | ポイントクラウドセグメンテーション方法、コンピュータプログラム及びコンピュータ機器 | |
Zhang et al. | Visual place recognition: A survey from deep learning perspective | |
Von Stumberg et al. | Gn-net: The gauss-newton loss for multi-weather relocalization | |
CN107871106B (zh) | 人脸检测方法和装置 | |
CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
CN111476806B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111428619B (zh) | 基于有序回归和软标签的三维点云头部姿态估计系统和方法 | |
JP7337268B2 (ja) | 三次元エッジ検出方法、装置、コンピュータプログラム及びコンピュータ機器 | |
CN109492610B (zh) | 一种行人重识别方法、装置及可读存储介质 | |
US20230099521A1 (en) | 3d map and method for generating a 3d map via temporal and unified panoptic segmentation | |
Korrapati et al. | Multi-resolution map building and loop closure with omnidirectional images | |
CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN115147599A (zh) | 一种面向遮挡和截断场景的多几何特征学习的物体六自由度位姿估计方法 | |
CN114358109A (zh) | 特征提取模型训练、样本检索方法、装置和计算机设备 | |
Lu et al. | Memory efficient large-scale image-based localization | |
Li et al. | An attention-based prototypical network for forest fire smoke few-shot detection | |
CN114387304A (zh) | 目标跟踪方法、计算机程序产品、存储介质及电子设备 | |
Zhou et al. | A lightweight neural network for loop closure detection in indoor visual slam | |
CN114638953B (zh) | 点云数据的分割方法、装置及计算机可读存储介质 | |
CN115063831A (zh) | 一种高性能行人检索与重识别方法及装置 | |
Joshi et al. | Meta-Learning, Fast Adaptation, and Latent Representation for Head Pose Estimation | |
Ye et al. | Condition-invariant and compact visual place description by convolutional autoencoder | |
CN114741549A (zh) | 基于lire的图像查重方法、装置、计算机设备和存储介质 | |
CN113704528A (zh) | 聚类中心确定方法、装置和设备及计算机存储介质 | |
CN112463936A (zh) | 一种基于三维信息的视觉问答方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210330 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210330 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220906 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230105 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7210085 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |