論文の概要: A Rotation-Invariant Framework for Deep Point Cloud Analysis
- arxiv url: http://arxiv.org/abs/2003.07238v2
- Date: Mon, 5 Jul 2021 09:36:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:43:45.547179
- Title: A Rotation-Invariant Framework for Deep Point Cloud Analysis
- Title(参考訳): 深点雲解析のための回転不変フレームワーク
- Authors: Xianzhi Li and Ruihui Li and Guangyong Chen and Chi-Wing Fu and Daniel
Cohen-Or and Pheng-Ann Heng
- Abstract要約: ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
- 参考スコア(独自算出の注目度): 132.91915346157018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, many deep neural networks were designed to process 3D point clouds,
but a common drawback is that rotation invariance is not ensured, leading to
poor generalization to arbitrary orientations. In this paper, we introduce a
new low-level purely rotation-invariant representation to replace common 3D
Cartesian coordinates as the network inputs. Also, we present a network
architecture to embed these representations into features, encoding local
relations between points and their neighbors, and the global shape structure.
To alleviate inevitable global information loss caused by the
rotation-invariant representations, we further introduce a region relation
convolution to encode local and non-local information. We evaluate our method
on multiple point cloud analysis tasks, including shape classification, part
segmentation, and shape retrieval. Experimental results show that our method
achieves consistent, and also the best performance, on inputs at arbitrary
orientations, compared with the state-of-the-arts.
- Abstract(参考訳): 近年、多くのディープニューラルネットワークが3dポイントの雲を処理するように設計されているが、共通の欠点は回転不変性が保証されず、任意の方向への一般化が不十分であることである。
本稿では,ネットワーク入力時の一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を提案する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
回転不変表現による必然的グローバル情報損失を軽減するため,局所情報と非局所情報をエンコードする領域関係畳み込みを導入する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
実験結果から,本手法は任意の向きの入力に対して一貫した,かつ最高の性能が得られることがわかった。
関連論文リスト
- CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation
via Centrifugal Reference Frame [60.24797081117877]
CRIN,すなわち遠心回転不変ネットワークを提案する。
CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。
点に基づく3次元回転の連続分布を導入する。
論文 参考訳(メタデータ) (2023-03-06T13:14:10Z) - RIGA: Rotation-Invariant and Globally-Aware Descriptors for Point Cloud
Registration [44.23935553097983]
RIGAを導入して,設計とグローバルアウェアによる回転不変な記述子を学習する。
RIGAはModelNet40の相対回転誤差で最先端の手法を8度の差で上回り、3DLoMatchでは少なくとも5ポイントのFeature Matching Recallを改善する。
論文 参考訳(メタデータ) (2022-09-27T08:45:56Z) - SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。
我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2022-05-26T17:00:23Z) - RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds
Deep Learning [32.18566879365623]
3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。
本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。
ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
論文 参考訳(メタデータ) (2022-02-26T08:32:44Z) - Robust Kernel-based Feature Representation for 3D Point Cloud Analysis
via Circular Graph Convolutional Network [2.42919716430661]
本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。
局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。
本手法は最先端手法と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2020-12-22T18:02:57Z) - Deep Positional and Relational Feature Learning for Rotation-Invariant
Point Cloud Analysis [107.9979381402172]
点雲解析のための回転不変深層ネットワークを提案する。
ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。
実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2020-11-18T04:16:51Z) - Rotation-Invariant Local-to-Global Representation Learning for 3D Point
Cloud [42.86112554931754]
本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。
本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。
提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
論文 参考訳(メタデータ) (2020-10-07T10:30:20Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z) - Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。
カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。
オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
論文 参考訳(メタデータ) (2019-12-27T13:51:17Z)
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。