論文の概要: Mapping in a cycle: Sinkhorn regularized unsupervised learning for point cloud shapes

• arxiv url: http://arxiv.org/abs/2007.09594v1
• Date: Sun, 19 Jul 2020 05:21:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 23:57:57.368164
• Title: Mapping in a cycle: Sinkhorn regularized unsupervised learning for point cloud shapes
• Title（参考訳）: サイクル内のマッピング: Sinkhorn による点雲形状の教師なし学習
• Authors: Lei Yang, Wenxi Liu, Zhiming Cui, Nenglun Chen, Wenping Wang
• Abstract要約: 点雲形状間の密接な対応を見つけるための教師なし学習フレームワークを提案する。 点クラウドデータから識別点的特徴を学習するために、シンクホーン正規化に基づく正規化項を定式化する。 そこで本研究では, 部分分割性能を向上させるために, 教師付き手法により, 学習ポイントワイドな特徴を活用できることを述べる。
• 参考スコア（独自算出の注目度）: 47.49826669394906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an unsupervised learning framework with the pretext task of finding dense correspondences between point cloud shapes from the same category based on the cycle-consistency formulation. In order to learn discriminative pointwise features from point cloud data, we incorporate in the formulation a regularization term based on Sinkhorn normalization to enhance the learned pointwise mappings to be as bijective as possible. Besides, a random rigid transform of the source shape is introduced to form a triplet cycle to improve the model's robustness against perturbations. Comprehensive experiments demonstrate that the learned pointwise features through our framework benefits various point cloud analysis tasks, e.g. partial shape registration and keypoint transfer. We also show that the learned pointwise features can be leveraged by supervised methods to improve the part segmentation performance with either the full training dataset or just a small portion of it.
• Abstract（参考訳）: 本稿では,同じカテゴリの点雲形状間の密接な対応をサイクル・コンシスタンシーの定式化に基づいて求める,教師なし学習フレームワークを提案する。 ポイントクラウドデータからポイントワイズ特徴を識別するために, 学習したポイントワイズマッピングを可能な限り単射的にするために, シンクホーン正規化に基づく正規化項を定式化する。 さらに、ソース形状のランダムな剛性変換を導入し、モデルの摂動に対するロバスト性を改善するために三重項サイクルを形成する。 包括的実験により,学習したポイントワイズ機能は,部分形状登録やキーポイント転送など,さまざまなポイントクラウド解析タスクに有効であることが示された。 また,学習されたポイントワイズ機能は教師あり手法によって活用され,完全なトレーニングデータセットかほんの一部で部分セグメンテーション性能が向上することを示す。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• 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)
• Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
  本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。 本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
  論文  参考訳（メタデータ） (2023-08-18T02:17:47Z)
• Rethinking Rotation Invariance with Point Cloud Registration [18.829454172955202]
  本稿では, 回転不変形状符号化, 整列化機能統合, 深部特徴登録の3段階を通した回転不変性学習のための効果的なフレームワークを提案する。 3次元形状分類,部分分割,検索タスクの実験結果から,本研究の可能性が確認された。
  論文  参考訳（メタデータ） (2022-12-31T08:17:09Z)
• EditVAE: Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation [19.817166425038753]
  本稿では,パートアウェアポイントクラウド生成の問題に対処する。 変分オートエンコーダの簡単な修正により、点雲自体のジョイントモデルが得られる。 歪んだ表現によって得られる柔軟性に加えて、我々のジョイントモデリングアプローチによって導入された帰納バイアスは、ShapeNetデータセットの最先端の実験結果をもたらす。
  論文  参考訳（メタデータ） (2021-10-13T12:38:01Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  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。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。