Fugu-MT 論文翻訳(概要): Triangle-Net: Towards Robustness in Point Cloud Learning

論文の概要: Triangle-Net: Towards Robustness in Point Cloud Learning

arxiv url: http://arxiv.org/abs/2003.00856v2
Date: Tue, 24 Aug 2021 02:07:06 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 07:20:17.614113
Title: Triangle-Net: Towards Robustness in Point Cloud Learning
Title（参考訳）: Triangle-Net: ポイントクラウド学習におけるロバストネスを目指して
Authors: Chenxi Xiao and Juan Wachs
Abstract要約: 本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Three dimensional (3D) object recognition is becoming a key desired capability for many computer vision systems such as autonomous vehicles, service robots and surveillance drones to operate more effectively in unstructured environments. These real-time systems require effective classification methods that are robust to various sampling resolutions, noisy measurements, and unconstrained pose configurations. Previous research has shown that points' sparsity, rotation and positional inherent variance can lead to a significant drop in the performance of point cloud based classification techniques. However, neither of them is sufficiently robust to multifactorial variance and significant sparsity. In this regard, we propose a novel approach for 3D classification that can simultaneously achieve invariance towards rotation, positional shift, scaling, and is robust to point sparsity. To this end, we introduce a new feature that utilizes graph structure of point clouds, which can be learned end-to-end with our proposed neural network to acquire a robust latent representation of the 3D object. We show that such latent representations can significantly improve the performance of object classification and retrieval tasks when points are sparse. Further, we show that our approach outperforms PointNet and 3DmFV by 35.0% and 28.1% respectively in ModelNet 40 classification tasks using sparse point clouds of only 16 points under arbitrary SO(3) rotation.
Abstract（参考訳）: 3次元オブジェクト認識は、自動運転車やサービスロボット、監視ドローンといった多くのコンピュータビジョンシステムにとって、非構造環境でより効果的に動作するための重要な能力になりつつある。これらのリアルタイムシステムは、様々なサンプリング解像度、ノイズ測定、無拘束ポーズ構成にロバストな効果的な分類方法を必要とする。これまでの研究では、ポイントのスパーシティ、回転、位置固有分散がポイントクラウドに基づく分類技術の性能を著しく低下させる可能性があることが示されている。しかし、どちらも多因子分散や顕著な分散に対して十分に堅牢ではない。そこで本研究では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。この目的のために,提案したニューラルネットワークでエンドツーエンドに学習し,頑健な3Dオブジェクトの潜在表現を得ることのできる点雲グラフ構造を利用する新機能を導入する。このような潜在表現は,点がばらばらである場合,オブジェクト分類や検索タスクの性能を著しく向上させることができる。さらに, 任意のSO(3)回転下では, 16点のみのスパース点雲を用いて, ModelNet 40分類タスクにおいて, ポイントネットと3DmFVをそれぞれ35.0%, 28.1%上回った。

関連論文リスト

DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
論文参考訳（メタデータ） (2024-07-02T09:33:32Z)
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)
StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2023-03-28T08:21:44Z)
Structure Aware and Class Balanced 3D Object Detection on nuScenes Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文参考訳（メタデータ） (2022-05-25T06:18:49Z)
Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2021-08-04T15:11:48Z)
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)
Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
論文参考訳（メタデータ） (2020-09-22T14:17:40Z)
Self-supervised Learning of Point Clouds via Orientation Estimation [19.31778462735251]
ラベルの少ないポイントクラウドでダウンストリームタスクを学習するために、私たちは3Dセルフスーパービジョンを活用しています。点雲は無限に多くの方法で回転することができるので、自己超越のためにリッチなラベルのない情報源を提供する。
論文参考訳（メタデータ） (2020-08-01T17:49:45Z)
D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文参考訳（メタデータ） (2020-03-06T12:51:09Z)
Pointwise Attention-Based Atrous Convolutional Neural Networks [15.499267533387039]
多数の点を効率的に扱うために,注目度に基づくアトラス畳み込みニューラルネットワークアーキテクチャを提案する。提案モデルは,3次元セマンティックセグメンテーションタスクにおいて,最も重要な2つの3Dポイントクラウドデータセット上で評価されている。精度の面では最先端モデルと比較して妥当な性能を達成し、パラメータの数ははるかに少ない。
論文参考訳（メタデータ） (2019-12-27T13:12:58Z)

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。