論文の概要: PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling

• arxiv url: http://arxiv.org/abs/2003.00492v3
• Date: Tue, 5 May 2020 07:46:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 13:15:06.906435
• Title: PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling
• Title（参考訳）: PointASNL:適応サンプリングを用いた非局所ニューラルネットワークによるロバストポイントクラウド処理
• Authors: Xu Yan, Chaoda Zheng, Zhen Li, Sheng Wang and Shuguang Cui
• Abstract要約: 本稿では,ロバストポイントクラウド処理のための新しいエンドツーエンドネットワークであるPointASNLを提案する。 このアプローチの主要なコンポーネントは、アダプティブサンプリング(AS)モジュールです。 私たちのASモジュールは、ポイントクラウドの機能学習の恩恵を受けるだけでなく、アウトレーヤのバイアス効果も緩和します。
• 参考スコア（独自算出の注目度）: 39.36827481232841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raw point clouds data inevitably contains outliers or noise through acquisition from 3D sensors or reconstruction algorithms. In this paper, we present a novel end-to-end network for robust point clouds processing, named PointASNL, which can deal with point clouds with noise effectively. The key component in our approach is the adaptive sampling (AS) module. It first re-weights the neighbors around the initial sampled points from farthest point sampling (FPS), and then adaptively adjusts the sampled points beyond the entire point cloud. Our AS module can not only benefit the feature learning of point clouds, but also ease the biased effect of outliers. To further capture the neighbor and long-range dependencies of the sampled point, we proposed a local-nonlocal (L-NL) module inspired by the nonlocal operation. Such L-NL module enables the learning process insensitive to noise. Extensive experiments verify the robustness and superiority of our approach in point clouds processing tasks regardless of synthesis data, indoor data, and outdoor data with or without noise. Specifically, PointASNL achieves state-of-the-art robust performance for classification and segmentation tasks on all datasets, and significantly outperforms previous methods on real-world outdoor SemanticKITTI dataset with considerate noise. Our code is released through https://github.com/yanx27/PointASNL.
• Abstract（参考訳）: 生の点雲データは、必然的に3Dセンサーや再構成アルゴリズムからの取得を通じて、アウトレーヤやノイズを含む。 本稿では,雑音を伴う点雲を効果的に処理可能な,ロバストな点雲処理のための新しいエンドツーエンドネットワークであるPointASNLを提案する。 このアプローチの重要なコンポーネントはadaptive sampling (as)モジュールです。 まず、最遠点サンプリング(FPS)から初期サンプル点の周囲の近傍を再重み付けし、次に点雲全体を超えてサンプル点を適応的に調整する。 私たちのASモジュールは、ポイントクラウドの機能学習の恩恵を受けるだけでなく、アウトレーヤのバイアス効果も緩和します。 サンプル点の近傍および長距離依存性をさらに把握するために,非局所演算に触発された局所非局所(l-nl)モジュールを提案した。 このようなL-NLモジュールは、ノイズに敏感な学習プロセスを可能にする。 大規模実験により,ノイズの有無にかかわらず,合成データ,室内データ,屋外データにかかわらず,ポイントクラウド処理タスクにおけるロバスト性と優位性が検証された。 具体的には、pointasnlは、すべてのデータセットの分類とセグメンテーションタスクに対する最先端の堅牢なパフォーマンスを実現し、注意深いノイズを伴う実世界のsemantickittiデータセットの以前の方法を大幅に上回っている。 私たちのコードはhttps://github.com/yanx27/pointasnlでリリースしています。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• SphereNet: Learning a Noise-Robust and General Descriptor for Point Cloud Registration [5.641476052216014]
  我々はSphereNetを導入して、ポイントクラウド登録のためのノイズロスと見えない汎用記述子を学習する。 提案手法を評価するために, 強い雑音を有する3DMatch-noiseのベンチマークを新たに導入した。 3DMatchおよび3DLoMatchベンチマークの93.5%と75.6%の登録リコールで、最先端のパフォーマンスを新たに設定した。
  論文  参考訳（メタデータ） (2023-07-18T15:37:35Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Learning with Noisy Labels for Robust Point Cloud Segmentation [22.203927159777123]
  オブジェクトクラスラベルは、しばしば現実世界のポイントクラウドデータセットで誤ってラベル付けされる。 本稿では,PNAL(Point Noise-Adaptive Learning)フレームワークを提案する。 我々は,PNALが合成および実世界の雑音データセットに与える影響を実証するために,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-07-29T17:59:54Z)
• Score-Based Point Cloud Denoising [26.090445369658312]
  走査装置から取得した点雲は、しばしばノイズによって乱れ、表面の再構成や解析のような下流のタスクに影響を及ぼす。 我々は,各点の位置を反復的に更新することにより,各点のログ類似度を,勾配上昇による$p * n$から増加させることを提案する。 ネットワークを訓練する目的関数を導出し,推定したスコアを活かした復調アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-07-23T01:13:03Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
  3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。 雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。 提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:31:41Z)

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。