論文の概要: Local-Area-Learning Network: Meaningful Local Areas for Efficient Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2006.07226v1
• Date: Fri, 12 Jun 2020 14:32:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 04:11:25.747231
• Title: Local-Area-Learning Network: Meaningful Local Areas for Efficient Point Cloud Analysis
• Title（参考訳）: 地域学習ネットワーク:効率的なポイントクラウド分析のための意味のある地域
• Authors: Qendrim Bytyqi and Nicola Wolpert and Elmar Sch\"omer
• Abstract要約: 本稿では局所学習ネットワーク(LocAL-Net)を導入し,地域の選択と特徴付けに重点を置いている。 ModelNet10/40とShapeNetのデータセットの実験では、LocAL-Netがパートセグメンテーションの競争力を持っていることが示されている。
• 参考スコア（独自算出の注目度）: 5.8010446129208155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research in point cloud analysis with deep neural networks has made rapid progress in recent years. The pioneering work PointNet offered a direct analysis of point clouds. However, due to its architecture PointNet is not able to capture local structures. To overcome this drawback, the same authors have developed PointNet++ by applying PointNet to local areas. The local areas are defined by center points and their neighbors. In PointNet++ and its further developments the center points are determined with a Farthest Point Sampling (FPS) algorithm. This has the disadvantage that the center points in general do not have meaningful local areas. In this paper, we introduce the neural Local-Area-Learning Network (LocAL-Net) which places emphasis on the selection and characterization of the local areas. Our approach learns critical points that we use as center points. In order to strengthen the recognition of local structures, the points are given additional metric properties depending on the local areas. Finally, we derive and combine two global feature vectors, one from the whole point cloud and one from all local areas. Experiments on the datasets ModelNet10/40 and ShapeNet show that LocAL-Net is competitive for part segmentation. For classification LocAL-Net outperforms the state-of-the-arts.
• Abstract（参考訳）: 近年,深層ニューラルネットワークを用いた点雲解析の研究が急速に進展している。 先駆的な作業であるPointNetは、ポイントクラウドを直接分析した。 しかし、そのアーキテクチャのため、pointnetはローカルな構造をキャプチャできない。 この欠点を克服するため、同じ著者がpointnetをローカル領域に適用してpointnet++を開発した。 地域は中心点とその隣人によって定義される。 PointNet++とそのさらなる発展において、中心点はFarthest Point Sampling (FPS)アルゴリズムで決定される。 これは、中心点が一般に有意義な地域を持たないという欠点がある。 本稿では,地域選択と特徴付けを重視したニューラルローカルエリアラーニングネットワーク(local-net)を提案する。 私たちのアプローチは、中心となるポイントとして使用する重要なポイントを学びます。 局所構造の認識を強化するため、点には局所的な領域に応じて追加の計量特性が与えられる。 最後に、全点クラウドから1つ、全局所領域から1つのグローバルな特徴ベクトルを導出し、結合する。 ModelNet10/40とShapeNetのデータセットの実験では、LocAL-Netがパートセグメンテーションの競争力を示している。 LocAL-Netの分類では、最先端技術よりも優れている。

関連論文リスト

• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• 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)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• 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)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Cascaded Non-local Neural Network for Point Cloud Semantic Segmentation [37.33261773707134]
  提案するネットワークは、正確なセグメンテーションのために、ポイントクラウドの長距離依存関係を構築することを目的としている。 我々は,近隣レベル,スーパーポイントレベル,グローバルレベルの非ローカルブロックからなる新しい非ローカルモジュールを開発する。 提案手法は,最先端性能を実現し,時間消費とメモリ占有を効果的に削減する。
  論文  参考訳（メタデータ） (2020-07-30T14:34:43Z)
• Dense-Resolution Network for Point Cloud Classification and Segmentation [42.316932316581635]
  DRNetは、異なる解像度でポイントクラウドからローカルポイント機能を学ぶように設計されている。 広く使われているポイントクラウドセグメンテーションと分類ベンチマークでネットワークを検証することに加えて、コンポーネントのパフォーマンスをテストし視覚化する。
  論文  参考訳（メタデータ） (2020-05-14T06:13:53Z)
• SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints [7.223394571022494]
  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。
  論文  参考訳（メタデータ） (2020-03-31T08:15:40Z)
• LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
  本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。 その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2020-03-18T14:34:08Z)

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。