論文の概要: DAPnet: A Double Self-attention Convolutional Network for Point Cloud Semantic Labeling

• arxiv url: http://arxiv.org/abs/2004.08596v2
• Date: Wed, 15 Sep 2021 07:20:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:37:07.142203
• Title: DAPnet: A Double Self-attention Convolutional Network for Point Cloud Semantic Labeling
• Title（参考訳）: DAPnet: ポイントクラウドセマンティックラベリングのための二重自己注意畳み込みネットワーク
• Authors: Li Chen, Zewei Xu, Yongjian Fu, Haozhe Huang, Shaowen Wang, Haifeng Li
• Abstract要約: 本稿では,DAPnetと呼ばれる新たな自己注意型畳み込みネットワークを提案する。 二重自己注意モジュールは、ポイントアテンションモジュール(PAM)とグループアテンションモジュール(GAM)を含む。 ISPRS 3D Semantic Labeling Contestでは、DAPnetはベンチマークを85.2%上回り、全体的な精度は90.7%だった。
• 参考スコア（独自算出の注目度）: 9.689004554616712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Airborne Laser Scanning (ALS) point clouds have complex structures, and their 3D semantic labeling has been a challenging task. It has three problems: (1) the difficulty of classifying point clouds around boundaries of objects from different classes, (2) the diversity of shapes within the same class, and (3) the scale differences between classes. In this study, we propose a novel double self-attention convolutional network called the DAPnet. The double self-attention includes the point attention module (PAM) and the group attention module (GAM). For problem (1), the PAM can effectively assign different weights based on the relevance of point clouds in adjacent areas. Meanwhile, for the problem (2), the GAM enhances the correlation between groups, i.e., grouped features within the same classes. To solve the problem (3), we adopt a multiscale radius to construct the groups and concatenate extracted hierarchical features with the output of the corresponding upsampling process. Under the ISPRS 3D Semantic Labeling Contest dataset, the DAPnet outperforms the benchmark by 85.2\% with an overall accuracy of 90.7\%. By conducting ablation comparisons, we find that the PAM effectively improves the model than the GAM. The incorporation of the double self-attention module has an average of 7\% improvement on the pre-class accuracy. Plus, the DAPnet consumes a similar training time to those without the attention modules for model convergence. The DAPnet can assign different weights to features based on the relevance between point clouds and their neighbors, which effectively improves classification performance. The source codes are available at: https://github.com/RayleighChen/point-attention.
• Abstract（参考訳）: 航空機搭載レーザースキャニング(als)ポイント雲は複雑な構造を持ち、その3dセマンティクスラベリングは難しい課題である。 1)異なるクラスからのオブジェクトの境界付近でポイントクラウドを分類することの難しさ,(2)同一クラス内の形状の多様性,(3)クラス間のスケール差の3つがある。 本研究では,DAPnetと呼ばれる新しい自己注意型畳み込みネットワークを提案する。 二重自己注意モジュールは、ポイントアテンションモジュール(PAM)とグループアテンションモジュール(GAM)を含む。 問題(1)のために、PAMは、隣接する領域における点雲の関連性に基づいて、効果的に異なる重みを割り当てることができる。 一方、問題(2)では、GAMはグループ間の相関、すなわち同じクラス内のグループ化された特徴の相関を強化する。 この問題を解決するために,マルチスケール半径を用いてグループを構築し,抽出した階層的特徴を対応するアップサンプリングプロセスの出力と結合する。 ISPRS 3D Semantic Labeling Contestデータセットでは、DAPnetはベンチマークを85.2\%、全体的な精度90.7\%で上回っている。 アブレーション比較により,PAMはGAMよりも効果的にモデルを改善することがわかった。 ダブルセルフアテンションモジュールの組み込みは、プレクラス精度に対して平均7\%向上する。 さらに、DAPnetは、モデル収束のための注意モジュールを持たないものと同様のトレーニング時間を消費する。 DAPnetは、点雲とその近傍の関連性に基づいて異なる重み付けを割り当てることができ、効果的に分類性能を向上させることができる。 ソースコードは、https://github.com/RayleighChen/point-attention.comで入手できる。

関連論文リスト

• 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)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Background-Aware 3D Point Cloud Segmentationwith Dynamic Point Feature Aggregation [12.093182949686781]
  DPFA-Net(Dynamic Point Feature Aggregation Network)と呼ばれる新しい3Dポイント・クラウド・ラーニング・ネットワークを提案する。 DPFA-Netにはセマンティックセグメンテーションと3Dポイントクラウドの分類のための2つのバリエーションがある。 S3DISデータセットのセマンティックセグメンテーションのための、最先端の全体的な精度スコアを達成する。
  論文  参考訳（メタデータ） (2021-11-14T05:46:05Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)
• Model Patching: Closing the Subgroup Performance Gap with Data Augmentation [50.35010342284508]
  機械学習モデルの堅牢性を改善するためのフレームワークであるモデルパッチを導入する。 モデルパッチは、サブグループの違いに対してモデルを不変にすることを奨励し、サブグループによって共有されるクラス情報にフォーカスする。 CAMELは,(1)CycleGANを用いてクラス内およびサブグループ間拡張を学習し,(2)理論上動機付けられた整合性正規化器を用いてサブグループ性能のバランスをとる。 CAMELの有効性を3つのベンチマークデータセットで示し、最高のベースラインに対して、ロバストなエラーを最大33%削減した。
  論文  参考訳（メタデータ） (2020-08-15T20:01:23Z)
• Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
  本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。 AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。 実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T15:40:40Z)

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。