論文の概要: SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints

• arxiv url: http://arxiv.org/abs/2003.14014v1
• Date: Tue, 31 Mar 2020 08:15:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:50:30.956768
• Title: SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints
• Title（参考訳）: SK-Net: 空間キーポイントのエンドツーエンド発見によるポイントクラウドのディープラーニング
• Authors: Weikun Wu, Yan Zhang, David Wang, Yunqi Lei
• Abstract要約: 本稿では,空間キーポイントの推論と点雲の特徴表現の学習を協調的に最適化する,エンドツーエンドのフレームワークであるSK-Netを提案する。 提案手法は,ポイントクラウドタスクにおける最先端手法に匹敵する性能を示した。
• 参考スコア（独自算出の注目度）: 7.223394571022494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the PointNet was proposed, deep learning on point cloud has been the concentration of intense 3D research. However, existing point-based methods usually are not adequate to extract the local features and the spatial pattern of a point cloud for further shape understanding. This paper presents an end-to-end framework, SK-Net, to jointly optimize the inference of spatial keypoint with the learning of feature representation of a point cloud for a specific point cloud task. One key process of SK-Net is the generation of spatial keypoints (Skeypoints). It is jointly conducted by two proposed regulating losses and a task objective function without knowledge of Skeypoint location annotations and proposals. Specifically, our Skeypoints are not sensitive to the location consistency but are acutely aware of shape. Another key process of SK-Net is the extraction of the local structure of Skeypoints (detail feature) and the local spatial pattern of normalized Skeypoints (pattern feature). This process generates a comprehensive representation, pattern-detail (PD) feature, which comprises the local detail information of a point cloud and reveals its spatial pattern through the part district reconstruction on normalized Skeypoints. Consequently, our network is prompted to effectively understand the correlation between different regions of a point cloud and integrate contextual information of the point cloud. In point cloud tasks, such as classification and segmentation, our proposed method performs better than or comparable with the state-of-the-art approaches. We also present an ablation study to demonstrate the advantages of SK-Net.
• Abstract（参考訳）: pointnetが提案されて以来、point cloudでのディープラーニングは、強烈な3d研究の集中点となっている。 しかし,既存の点ベース手法では,局所的な特徴や点雲の空間的パターンを抽出してさらなる形状理解を行うには不十分である。 本稿では,空間的キーポイントの推論を,特定のポイントクラウドタスクのためのポイントクラウドの特徴表現の学習と共同で最適化する,エンドツーエンドフレームワークsk-netを提案する。 SK-Netの重要なプロセスは、空間キーポイント(Skeypoints)の生成である。 skeypointのロケーションアノテーションや提案の知識のない2つの規則的損失とタスク目的関数によって共同で実行される。 具体的には、Skeypointsは位置整合性には敏感ではないが、形状を鋭く認識している。 SK-Netのもう一つの重要なプロセスは、Skeypoints(詳細特徴)の局所構造と正規化されたSkeypoints(パターン特徴)の局所空間パターンの抽出である。 このプロセスは、点雲の局所的詳細情報を含む包括的表現パターンデテール(pd)特徴を生成し、正規化スキーポイントのパートディストリクト再構築を通じてその空間パターンを明らかにする。 その結果,ネットワークはポイントクラウドの異なる領域間の相関を効果的に理解し,ポイントクラウドのコンテキスト情報を統合する。 分類やセグメンテーションのようなポイントクラウドタスクでは、提案手法は最先端のアプローチよりも優れた性能を発揮する。 また,SK-Netの利点を実証するためのアブレーション研究も提案する。

関連論文リスト

• D-Net: Learning for Distinctive Point Clouds by Self-Attentive Point Searching and Learnable Feature Fusion [48.57170130169045]
  我々は,自己注意点探索と学習可能な特徴融合に基づいて,特徴点雲を学習するためのD-Netを提案する。 各特徴点集合に対してコンパクトな特徴表現を生成するために,その特徴を抽出するために,積み重ねられた自己ゲート畳み込みを提案する。 その結果、学習した点雲の区別分布は、同じクラスのオブジェクトと高度に一致し、他のクラスのオブジェクトと異なることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-10T02:19:00Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• LAKe-Net: Topology-Aware Point Cloud Completion by Localizing Aligned Keypoints [35.82520172874995]
  LAKe-Netは、整列キーポイントをローカライズする新しいポイントクラウド補完モデルである。 新しいタイプの骨格であるSurface-Skeletonは、幾何学的先行に基づくキーポイントから生成される。 実験結果から,本手法はポイントクラウド完了時の最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2022-03-31T03:14:48Z)
• 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)
• Point cloud completion on structured feature map with feedback network [28.710494879042002]
  本稿では,FSNetを提案する。FSNetは,ポイントワイドな特徴を適応的に2次元構造的特徴マップに集約できる機能構造化モジュールである。 2次元畳み込みニューラルネットワークを用いて、FSNetから粗い完全点クラウドに特徴マップをデコードする。 点雲アップサンプリングネットワークを用いて、部分入力と粗い中間出力から高密度点雲を生成する。
  論文  参考訳（メタデータ） (2022-02-17T10:59:40Z)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。