Fugu-MT 論文翻訳(概要): Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network

論文の概要: Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network

arxiv url: http://arxiv.org/abs/2004.09057v1
Date: Mon, 20 Apr 2020 05:12:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 18:48:31.292829
Title: Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network
Title（参考訳）: グラフ注意畳み込みニューラルネットワークを用いた空中LiDAR点雲分類
Authors: Congcong Wen, Xiang Li, Xiaojing Yao, Ling Peng, Tianhe Chi
Abstract要約: 本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
参考スコア（独自算出の注目度）: 5.69168146446103
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Airborne light detection and ranging (LiDAR) plays an increasingly significant role in urban planning, topographic mapping, environmental monitoring, power line detection and other fields thanks to its capability to quickly acquire large-scale and high-precision ground information. To achieve point cloud classification, previous studies proposed point cloud deep learning models that can directly process raw point clouds based on PointNet-like architectures. And some recent works proposed graph convolution neural network based on the inherent topology of point clouds. However, the above point cloud deep learning models only pay attention to exploring local geometric structures, yet ignore global contextual relationships among all points. In this paper, we present a graph attention convolution neural network (GACNN) that can be directly applied to the classification of unstructured 3D point clouds obtained by airborne LiDAR. Specifically, we first introduce a graph attention convolution module that incorporates global contextual information and local structural features. Based on the proposed graph attention convolution module, we further design an end-to-end encoder-decoder network, named GACNN, to capture multiscale features of the point clouds and therefore enable more accurate airborne point cloud classification. Experiments on the ISPRS 3D labeling dataset show that the proposed model achieves a new state-of-the-art performance in terms of average F1 score (71.5\%) and a satisfying overall accuracy (83.2\%). Additionally, experiments further conducted on the 2019 Data Fusion Contest Dataset by comparing with other prevalent point cloud deep learning models demonstrate the favorable generalization capability of the proposed model.
Abstract（参考訳）: 都市計画、地形マッピング、環境モニタリング、電力線検出などの分野において、大規模で高精度な地上情報を取得する能力により、lidar(airborne light detection and ranging)はますます重要な役割を担っている。ポイントクラウド分類を実現するために、以前の研究では、ポイントネットのようなアーキテクチャに基づいて生のポイントクラウドを直接処理できるポイントクラウドディープラーニングモデルを提案した。また、近年の研究では、点雲固有のトポロジに基づくグラフ畳み込みニューラルネットワークが提案されている。しかし、上記のクラウド深層学習モデルは、局所的な幾何学的構造の探索にのみ注意を払うが、すべての点におけるグローバルな文脈的関係を無視する。本稿では,航空機LiDARにより得られた非構造的3D点雲の分類に直接適用可能な,グラフアテンション畳み込みニューラルネットワーク(GACNN)を提案する。具体的には,まず,グローバルコンテキスト情報と局所構造機能を組み込んだグラフアテンション畳み込みモジュールを導入する。提案するグラフアテンション畳み込みモジュールに基づいて,gacnnと呼ばれるエンド・ツー・エンドエンコーダ・デコーダネットワークを更に設計し,ポイント・クラウドのマルチスケールな特徴を捉えることにより,より高精度な空中ポイント・クラウド分類を実現する。 ISPRS 3Dラベリングデータセットの実験により,提案モデルが平均F1スコア(71.5\%)と全精度83.2\%(83.2\%)で新たな最先端性能を達成することが示された。さらに、2019 data fusion contestデータセットにおいて、他の一般的なポイントクラウドディープラーニングモデルとの比較による実験が、提案モデルの好ましい一般化能力を示している。

関連論文リスト

Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。本稿では,軽量点雲モデルのための特徴蒸留について検討する。本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文参考訳（メタデータ） (2023-10-08T11:32:50Z)
Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文参考訳（メタデータ） (2023-04-18T17:03:20Z)
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)
Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文参考訳（メタデータ） (2022-02-28T07:46:05Z)
PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
論文参考訳（メタデータ） (2021-08-16T23:59:43Z)
Machine Learning in LiDAR 3D point clouds [0.0]
本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
論文参考訳（メタデータ） (2021-01-22T20:23:23Z)
Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-01-02T17:36:00Z)
PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文参考訳（メタデータ） (2020-12-18T18:06:43Z)
PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
論文参考訳（メタデータ） (2020-10-14T16:28:19Z)
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)

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。