論文の概要: A Closer Look at Local Aggregation Operators in Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2007.01294v1
• Date: Thu, 2 Jul 2020 17:59:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 13:33:50.927592
• Title: A Closer Look at Local Aggregation Operators in Point Cloud Analysis
• Title（参考訳）: ポイントクラウド解析における局所集約演算子について
• Authors: Ze Liu and Han Hu and Yue Cao and Zheng Zhang and Xin Tong
• Abstract要約: ローカルアグリゲーション演算子がネットワーク性能に与える影響を,同じ残差アーキテクチャを用いて検討する。 本稿では,PosPooling(PosPool)という,学習可能な重みを持たない単純な局所集約演算子を提案する。 特に、PosPool層を持つ単純なディープ残余ネットワークは、すべてのベンチマークで優れたパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 32.957861092099236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances of network architecture for point cloud processing are mainly driven by new designs of local aggregation operators. However, the impact of these operators to network performance is not carefully investigated due to different overall network architecture and implementation details in each solution. Meanwhile, most of operators are only applied in shallow architectures. In this paper, we revisit the representative local aggregation operators and study their performance using the same deep residual architecture. Our investigation reveals that despite the different designs of these operators, all of these operators make surprisingly similar contributions to the network performance under the same network input and feature numbers and result in the state-of-the-art accuracy on standard benchmarks. This finding stimulate us to rethink the necessity of sophisticated design of local aggregation operator for point cloud processing. To this end, we propose a simple local aggregation operator without learnable weights, named Position Pooling (PosPool), which performs similarly or slightly better than existing sophisticated operators. In particular, a simple deep residual network with PosPool layers achieves outstanding performance on all benchmarks, which outperforms the previous state-of-the methods on the challenging PartNet datasets by a large margin (7.4 mIoU). The code is publicly available at https://github.com/zeliu98/CloserLook3D
• Abstract（参考訳）: ポイントクラウド処理のためのネットワークアーキテクチャの最近の進歩は、主にローカルアグリゲーション演算子の新しい設計に支えられている。 しかし,これらの演算子がネットワーク性能に与える影響については,各ソリューションのネットワークアーキテクチャや実装の詳細が異なるため,慎重には検討されていない。 一方、ほとんどの演算子は浅いアーキテクチャでのみ適用される。 本稿では,代表的局所集合演算子を再検討し,その性能を同一の残差アーキテクチャを用いて検討する。 これらの演算子の異なる設計にもかかわらず、これらの演算子は、同じネットワーク入力と特徴数の下で、驚くほど類似したコントリビューションを行い、その結果、標準ベンチマークにおける最先端の精度が得られる。 この発見は、ポイントクラウド処理のための局所集約演算子の洗練された設計の必要性を再考するきっかけとなった。 そこで本研究では,学習可能な重みを持たない単純な局所集約演算子,PosPooling(PosPool)を提案する。 特に、ポスプール層を持つ単純なディープ残差ネットワークは、すべてのベンチマークで優れたパフォーマンスを達成し、挑戦的なpartnetデータセットの以前の方法よりも大きなマージン(7.4 miou)で優れている。 コードはhttps://github.com/zeliu98/closerlook3dで公開されている。

関連論文リスト

• GENNAPE: Towards Generalized Neural Architecture Performance Estimators [25.877126553261434]
  GENNAPEは、与えられたニューラルネットワークを、原子操作の計算グラフ(CG)として表現する。 最初に、トポロジ的特徴によるネットワーク分離を促進するために、Contrastive Learningを介してグラフエンコーダを学習する。 実験により、NAS-Bench-101で事前訓練されたGENNAPEは、5つの異なる公開ニューラルネットワークベンチマークに優れた転送性が得られることが示された。
  論文  参考訳（メタデータ） (2022-11-30T18:27:41Z)
• Simple and Efficient Architectures for Semantic Segmentation [50.1563637917129]
  ResNetのようなバックボーンと小型のマルチスケールヘッドを備えた単純なエンコーダデコーダアーキテクチャは,HRNetやFANet,DDRNetといった複雑なセマンティックセマンティックセマンティクスアーキテクチャよりも優れていることを示す。 そこで我々は,Cityscapesデータセット上の複雑なモデルの性能に適合する,あるいは超越した,デスクトップおよびモバイルターゲット用のこのようなシンプルなアーキテクチャのファミリーを提示する。
  論文  参考訳（メタデータ） (2022-06-16T15:08:34Z)
• Spelunking the Deep: Guaranteed Queries for General Neural Implicit Surfaces [35.438964954948574]
  この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。 私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。 得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
  論文  参考訳（メタデータ） (2022-02-05T00:37:08Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• Global Context Networks [52.597260561253655]
  非ローカルネットワーク(NLNet)は、画像内の長距離依存関係をキャプチャするための先駆的なアプローチです。 非ローカルネットワークでモデル化されたグローバルコンテキストは,異なるクエリ位置でほぼ同じであることを示す。 この知見を生かして,クエリに依存しない定式化に基づく簡易ネットワークを構築する。
  論文  参考訳（メタデータ） (2020-12-24T18:02:57Z)
• Action Recognition with Deep Multiple Aggregation Networks [14.696233190562936]
  動作認識における時間的粒度の異なるレベルをキャプチャする新しい階層型プール設計を提案する。 我々の設計原則は粗大であり、木構造ネットワークを用いて達成される。 原理と基礎が整っただけでなく、提案された階層的なプーリングもビデオ長と解像度に依存しない。
  論文  参考訳（メタデータ） (2020-06-08T11:37:38Z)
• DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
  本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
  論文  参考訳（メタデータ） (2020-05-29T09:02:16Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)
• Weakly Supervised Instance Segmentation by Deep Community Learning [39.18749732409763]
  複数のタスクによる深層コミュニティ学習に基づく弱教師付きインスタンスセグメンテーションアルゴリズムを提案する。 我々は、統合されたディープニューラルネットワークアーキテクチャを設計することでこの問題に対処する。 提案アルゴリズムは、弱教師付き設定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-01-30T08:35:42Z)

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。