論文の概要: Shape-Oriented Convolution Neural Network for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2004.09411v1
• Date: Mon, 20 Apr 2020 16:11:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:56:47.125955
• Title: Shape-Oriented Convolution Neural Network for Point Cloud Analysis
• Title（参考訳）: 形状指向畳み込みニューラルネットワークによる点雲解析
• Authors: Chaoyi Zhang, Yang Song, Lina Yao, Weidong Cai
• Abstract要約: ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
• 参考スコア（独自算出の注目度）: 59.405388577930616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud is a principal data structure adopted for 3D geometric information encoding. Unlike other conventional visual data, such as images and videos, these irregular points describe the complex shape features of 3D objects, which makes shape feature learning an essential component of point cloud analysis. To this end, a shape-oriented message passing scheme dubbed ShapeConv is proposed to focus on the representation learning of the underlying shape formed by each local neighboring point. Despite this intra-shape relationship learning, ShapeConv is also designed to incorporate the contextual effects from the inter-shape relationship through capturing the long-ranged dependencies between local underlying shapes. This shape-oriented operator is stacked into our hierarchical learning architecture, namely Shape-Oriented Convolutional Neural Network (SOCNN), developed for point cloud analysis. Extensive experiments have been performed to evaluate its significance in the tasks of point cloud classification and part segmentation.
• Abstract（参考訳）: ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 画像やビデオなどの従来の視覚データとは異なり、これらの不規則点は3Dオブジェクトの複雑な形状の特徴を記述しており、形状の特徴学習がポイントクラウド分析の重要な要素となっている。 この目的のために,ShapeConvと呼ばれる形状指向のメッセージパッシング方式を提案し,各近傍で形成される形状の表現学習に着目した。 このような形状内関係学習にもかかわらず、ShapeConvは、局所的な形状間の長距離依存関係をキャプチャすることで、形状間関係からの文脈効果を組み込むように設計されている。 この形状指向演算子は、ポイントクラウド分析のために開発された形状指向畳み込みニューラルネットワーク(SOCNN)という階層的な学習アーキテクチャに積み重ねられる。 ポイントクラウドの分類と部分セグメンテーションのタスクにおいて、その重要性を評価するために広範な実験が行われている。

関連論文リスト

• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• ARO-Net: Learning Implicit Fields from Anchored Radial Observations [25.703496065476067]
  3次元形状の暗黙的場表現を学習するための新しい形状符号化であるアンカードラジアル観測(ARO)を導入する。 固定されたアンカーの集合を用いて、フィボナッチサンプリングを行い、座標に基づくディープニューラルネットワークを設計することにより、汎用的で統一された形状表現を開発する。 ARO-Netと命名されたネットワークの質と汎用性を,スパース点雲から表面再構成した上で実証する。
  論文  参考訳（メタデータ） (2022-12-19T16:29:20Z)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• PointSCNet: Point Cloud Structure and Correlation Learning Based on Space Filling Curve-Guided Sampling [9.051430628938592]
  本稿では,PointSCNet と呼ばれるポイントクラウド特徴抽出ネットワークを提案する。 点雲の幾何学的構造情報と局所領域相関情報をキャプチャする。 実験の結果,PointSCNetは点雲の構造と相関を効果的に学習し,最先端の手法と同等あるいは同等であることがわかった。
  論文  参考訳（メタデータ） (2022-02-21T14:00:20Z)
• Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds [8.156355030558172]
  複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:15:16Z)
• 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)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)
• SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
  点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-06T16:01:41Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。