Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification

要約

3D セマンティック セグメンテーションの研究では、モデルの複雑さと計算リソースをスケーリングすることで IoU などのパフォーマンス メトリクスを向上させてきましたが、研究者や実践者は、(1) 必要なリソースにアクセスできないこと、(2) モデルの決定メカニズムの透明性が必要であることを残しています。
この論文では、3D 点群セマンティック セグメンテーション用の低リソース ホワイト ボックス モデルである SCENE-Net を提案します。
SCENE-Net は、グループ等変非拡張演算子 (GENEO) を介して点群上の署名形状を識別し、固有の幾何学的解釈可能性を提供します。
ラップトップでのトレーニング時間は 85 分、推論時間は 20 ミリ秒です。
SCENE-Net には 11 のトレーニング可能な幾何学的パラメーターがあり、ブラック ボックス モデルよりも必要なデータが少なくなります。
SCENE–Net は、ノイズの多いラベル付けやデータの不均衡に対する堅牢性を提供し、最先端の方法に匹敵する IoU を備えています。
この論文では、田舎の地形点群の 40 ～ 000 Km のラベル付きデータセットとコード実装をリリースします。

要約(オリジナル)

Research in 3D semantic segmentation has been increasing performance metrics, like the IoU, by scaling model complexity and computational resources, leaving behind researchers and practitioners that (1) cannot access the necessary resources and (2) do need transparency on the model decision mechanisms. In this paper, we propose SCENE-Net, a low-resource white-box model for 3D point cloud semantic segmentation. SCENE-Net identifies signature shapes on the point cloud via group equivariant non-expansive operators (GENEOs), providing intrinsic geometric interpretability. Our training time on a laptop is 85~min, and our inference time is 20~ms. SCENE-Net has 11 trainable geometrical parameters and requires fewer data than black-box models. SCENE–Net offers robustness to noisy labeling and data imbalance and has comparable IoU to state-of-the-art methods. With this paper, we release a 40~000 Km labeled dataset of rural terrain point clouds and our code implementation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google