論文の概要: Review: deep learning on 3D point clouds
- arxiv url: http://arxiv.org/abs/2001.06280v1
- Date: Fri, 17 Jan 2020 12:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:36:53.901091
- Title: Review: deep learning on 3D point clouds
- Title(参考訳): レビュー:3Dポイントクラウドのディープラーニング
- Authors: Saifullahi Aminu Bello, Shangshu Yu, Cheng Wang
- Abstract要約: ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つである。
ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールです。
- 参考スコア(独自算出の注目度): 9.73176900969663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud is point sets defined in 3D metric space. Point cloud has become
one of the most significant data format for 3D representation. Its gaining
increased popularity as a result of increased availability of acquisition
devices, such as LiDAR, as well as increased application in areas such as
robotics, autonomous driving, augmented and virtual reality. Deep learning is
now the most powerful tool for data processing in computer vision, becoming the
most preferred technique for tasks such as classification, segmentation, and
detection. While deep learning techniques are mainly applied to data with a
structured grid, point cloud, on the other hand, is unstructured. The
unstructuredness of point clouds makes use of deep learning for its processing
directly very challenging. Earlier approaches overcome this challenge by
preprocessing the point cloud into a structured grid format at the cost of
increased computational cost or lost of depth information. Recently, however,
many state-of-the-arts deep learning techniques that directly operate on point
cloud are being developed. This paper contains a survey of the recent
state-of-the-art deep learning techniques that mainly focused on point cloud
data. We first briefly discussed the major challenges faced when using deep
learning directly on point cloud, we also briefly discussed earlier approaches
which overcome the challenges by preprocessing the point cloud into a
structured grid. We then give the review of the various state-of-the-art deep
learning approaches that directly process point cloud in its unstructured form.
We introduced the popular 3D point cloud benchmark datasets. And we also
further discussed the application of deep learning in popular 3D vision tasks
including classification, segmentation and detection.
- Abstract(参考訳): 点雲は、3次元計量空間で定義される点集合である。
ポイントクラウドは3D表現のための最も重要なデータフォーマットの1つになった。
LiDARのような買収デバイスの普及と、ロボティクス、自律運転、拡張現実、バーチャルリアリティーなどの分野への応用の増加により、その人気が高まった。
ディープラーニングは現在、コンピュータビジョンにおけるデータ処理の最も強力なツールであり、分類、セグメンテーション、検出などのタスクで最も好まれるテクニックとなっている。
ディープラーニングのテクニックは、主に構造化グリッドを持つデータに適用されるが、一方、ポイントクラウドは、構造化されていない。
ポイントクラウドの非構造化性は、その処理を直接的に困難にするためにディープラーニングを利用する。
以前のアプローチでは、計算コストの増大や深度情報の喪失により、ポイントクラウドを構造化グリッド形式に前処理することで、この課題を克服していた。
しかし近年,ポイントクラウド上で直接動作する最先端のディープラーニング技術が開発されている。
本稿では,ポイントクラウドデータを中心に,最先端のディープラーニング技術について概説する。
まず、ポイントクラウドでディープラーニングを直接使用する際に直面する大きな課題について簡単に論じ、さらにポイントクラウドを構造化グリッドに前処理することで課題を克服するアプローチについても簡単に論じた。
次に,非構造化形式でポイントクラウドを直接処理する,最先端のディープラーニングアプローチのレビューを行う。
人気の3Dポイントクラウドベンチマークデータセットを導入しました。
また,分類,セグメンテーション,検出などの3次元視覚タスクにおけるディープラーニングの適用についても検討した。
関連論文リスト
- Deep Learning-based 3D Point Cloud Classification: A Systematic Survey
and Outlook [12.014972829130764]
本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。
我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
論文 参考訳(メタデータ) (2023-11-05T09:28:43Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - Explore In-Context Learning for 3D Point Cloud Understanding [71.20912026561484]
我々は,特に3Dポイントクラウドにおけるコンテキスト内学習のために設計された,ポイント・イン・コンテキストという新しいフレームワークを紹介した。
一般点サンプリング演算子とタンデムで協調して動作するように慎重に設計したJoint Smplingモジュールを提案する。
提案手法の汎用性と適応性を検証するため,幅広いタスクを扱うための広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-06-14T17:53:21Z) - A Survey of Label-Efficient Deep Learning for 3D Point Clouds [114.20981754985218]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳(メタデータ) (2023-05-31T12:54:51Z) - Self-supervised Learning for Pre-Training 3D Point Clouds: A Survey [25.51613543480276]
近年,自己管理型ポイントクラウド表現学習が注目されている。
本稿では,DNNを用いた自己教師型ポイントクラウド表現学習に関する包括的調査を行う。
論文 参考訳(メタデータ) (2023-05-08T13:20:55Z) - Continual learning on 3D point clouds with random compressed rehearsal [10.667104977730304]
本研究では,3Dポイントクラウドデータ上で連続学習が可能なニューラルネットワークアーキテクチャを提案する。
我々は,過去のデータを強く圧縮した集合を保存するために,点雲構造特性を利用する。
論文 参考訳(メタデータ) (2022-05-16T22:59:52Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - Deep Learning for 3D Point Cloud Understanding: A Survey [16.35767262996978]
自律運転やロボティクスといった実用アプリケーションの開発は、3Dポイントのクラウド理解に注意を向けている。
ディープラーニングは、画像ベースのタスクにおいて顕著な成功を収めていますが、大規模で非構造的でノイズの多い3Dポイントを処理する際に、ディープニューラルネットワークが直面する多くのユニークな課題があります。
本稿では,この領域における最近の顕著な研究成果を,いくつかの方向から要約する。
論文 参考訳(メタデータ) (2020-09-18T16:34:12Z) - Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。
3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。
また、いくつかの公開データセットで比較結果を提示する。
論文 参考訳(メタデータ) (2019-12-27T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。