論文の概要: Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds

• arxiv url: http://arxiv.org/abs/2005.13135v2
• Date: Fri, 5 Jun 2020 16:32:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:37:40.061992
• Title: Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds
• Title（参考訳）: Permutation Matters: ポイントクラウド上での学習のための異方的畳み込み層
• Authors: Zhongpai Gao, Guangtao Zhai, Junchi Yan, Xiaokang Yang
• Abstract要約: 本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 145.79324955896845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It has witnessed a growing demand for efficient representation learning on point clouds in many 3D computer vision applications. Behind the success story of convolutional neural networks (CNNs) is that the data (e.g., images) are Euclidean structured. However, point clouds are irregular and unordered. Various point neural networks have been developed with isotropic filters or using weighting matrices to overcome the structure inconsistency on point clouds. However, isotropic filters or weighting matrices limit the representation power. In this paper, we propose a permutable anisotropic convolutional operation (PAI-Conv) that calculates soft-permutation matrices for each point using dot-product attention according to a set of evenly distributed kernel points on a sphere's surface and performs shared anisotropic filters. In fact, dot product with kernel points is by analogy with the dot-product with keys in Transformer as widely used in natural language processing (NLP). From this perspective, PAI-Conv can be regarded as the transformer for point clouds, which is physically meaningful and is robust to cooperate with the efficient random point sampling method. Comprehensive experiments on point clouds demonstrate that PAI-Conv produces competitive results in classification and semantic segmentation tasks compared to state-of-the-art methods.
• Abstract（参考訳）: 多くの3dコンピュータビジョンアプリケーションにおいて、ポイントクラウド上で効率的な表現学習を求める声が高まっている。 畳み込みニューラルネットワーク(CNN)の成功の裏では、データ(例えば画像)がユークリッド構造になっている。 しかし、点雲は不規則で無秩序である。 様々な点ニューラルネットワークが等方性フィルタや重み付け行列を用いて開発され、点雲上の構造の不整合を克服している。 しかし、等方フィルタや重み付け行列は表現力を制限する。 本稿では,球面上の等分散カーネル点の集合に応じてドット積注意を用いて各点のソフトな置換行列を計算し,共有異方性フィルタを行う変分異方性畳み込み演算(PAI-Conv)を提案する。 実際、カーネルポイントを持つドット製品は、自然言語処理(NLP)で広く使われているTransformerのキーを持つドット製品と類似している。 この観点から、PAI-Convは、物理的に有意であり、効率的なランダムな点サンプリング法と協調する堅牢な点雲の変換器とみなすことができる。 点雲に関する総合的な実験により、PAI-Convは最先端の手法と比較して分類とセマンティックセグメンテーションタスクにおいて競合する結果をもたらすことを示した。

関連論文リスト

• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• Adaptive Graph Convolution for Point Cloud Analysis [25.175406613705274]
  本稿では,動的に学習した特徴に応じて適応的なカーネルを生成する適応グラフ畳み込み(Adaptive Graph Convolution, AdaptConv)を提案する。 提案手法は,いくつかのベンチマークデータセットにおいて,最先端のクラウド分類とセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2021-08-18T08:38:52Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds [33.41204351513122]
  PAConvは、3Dポイントクラウド処理のための汎用畳み込み操作です。 カーネルはデータ駆動方式で構築されており、PAConvは2D畳み込みよりも柔軟性がある。 単純なネットワーク上で構築された場合でも、この手法は最先端のモデルにアプローチしたり、超えたりします。
  論文  参考訳（メタデータ） (2021-03-26T17:52:38Z)
• Pct: Point cloud transformer [35.34343810480954]
  本稿では,ポイントクラウド学習のための新しいフレームワークであるpoint cloud transformerを提案する。 PCTはTransformerをベースにしており、自然言語処理で大きな成功を収めています。 本質的には、一連のポイントを処理するための順列不変であり、ポイントクラウド学習に適している。
  論文  参考訳（メタデータ） (2020-12-17T15:55:17Z)
• Spatial Transformer Point Convolution [47.993153127099895]
  点雲上での異方性畳み込みフィルタを実現するための空間変圧器点畳み込み法を提案する。 暗黙的な幾何学的構造を捉え表現するために,特に空間方向辞書を導入する。 変換空間では、標準画像のような畳み込みを利用して異方性フィルタリングを生成することができる。
  論文  参考訳（メタデータ） (2020-09-03T03:12:25Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。