36、3D实例分割与跨模态3D形状生成及操作方法研究

3D实例分割与跨模态3D形状生成及操作方法研究

3D实例分割方法

在3D实例分割领域,研究人员进行了一系列实验来验证所提方法的有效性。
1. 数据集
- ScanNet :共有1613次扫描,分为训练集(1201个)、验证集(312个)和测试集(100个)。实例分割任务在18个类别上进行评估,使用mAP(平均平均精度)和AP@50作为评估指标。
- S3DIS :包含超过270次扫描,分布在6个大型室内区域。有13个实例分割类别,评估指标包括平均覆盖率(mCov)、平均加权覆盖率(mWCov)、平均精度(mPrec)和平均召回率(mRec)。
2. 实现细节
- 骨干模型 :采用具有对称UNet结构的模型,共7个块,模型可扩展性由块的通道控制。分别使用小(通道单位为16)和大(通道单位为32)骨干模型,记为Ours - S和Ours - L。
- 输入特征 :将坐标和RGB值拼接作为输入特征。
- 训练设置 :所有实验使用4个GPU训练60K次迭代,每个GPU的批量大小为3,学习率设为1e - 3并遵循多项式衰减策略。
- 测试设置 :忽略与辅助头相关的计算,使用非极大值抑制(NMS)去除冗余掩码预测,阈值为0.3。
3. 消融研究
- 基线方法

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值