論文の概要: Cloud Transformers: A Universal Approach To Point Cloud Processing Tasks

• arxiv url: http://arxiv.org/abs/2007.11679v4
• Date: Sun, 3 Oct 2021 20:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:05:31.897695
• Title: Cloud Transformers: A Universal Approach To Point Cloud Processing Tasks
• Title（参考訳）: Cloud Transformers: クラウド処理タスクへのユニバーサルアプローチ
• Authors: Kirill Mazur, Victor Lempitsky
• Abstract要約: 深部クラウド処理アーキテクチャのための汎用ビルディングブロックを新たに提案する。 このビルディングブロックは、トランスフォーマーとマルチビュー畳み込みネットワークのアイデアと、標準畳み込み層の効率を組み合わせている。 我々は、識別的(ポイントクラウドのセグメンテーション、ポイントクラウドの分類)と生成的(ポイントクラウドの塗装とイメージベースのポイントクラウドの再構築)の両方のタスクのためのアーキテクチャを構築します。
• 参考スコア（独自算出の注目度）: 4.116129791139246
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a new versatile building block for deep point cloud processing architectures that is equally suited for diverse tasks. This building block combines the ideas of spatial transformers and multi-view convolutional networks with the efficiency of standard convolutional layers in two and three-dimensional dense grids. The new block operates via multiple parallel heads, whereas each head differentiably rasterizes feature representations of individual points into a low-dimensional space, and then uses dense convolution to propagate information across points. The results of the processing of individual heads are then combined together resulting in the update of point features. Using the new block, we build architectures for both discriminative (point cloud segmentation, point cloud classification) and generative (point cloud inpainting and image-based point cloud reconstruction) tasks. The resulting architectures achieve state-of-the-art performance for these tasks, demonstrating the versatility of the new block for point cloud processing.
• Abstract（参考訳）: 本稿では,多種多様なタスクに等しく適合する,ディープポイントクラウド処理アーキテクチャのための新しい汎用ビルディングブロックを提案する。 このビルディングブロックは、空間トランスフォーマーと多視点畳み込みネットワークのアイデアと、2次元と3次元の密集格子における標準畳み込み層効率を組み合わせたものである。 新しいブロックは複数の並列ヘッドを介して動作し、各ヘッドは個々の点の特徴表現を低次元空間に微分的にラスタライズし、密度の高い畳み込みを使って点間の情報を伝播する。 そして、個々の頭部の処理結果を組み合わせて点特徴の更新を行う。 新しいブロックを使用して、識別(ポイントクラウドセグメンテーション、ポイントクラウド分類)と生成(ポイントクラウドインペインティングおよびイメージベースのポイントクラウド再構築)の両方のタスクのためのアーキテクチャを構築します。 その結果得られたアーキテクチャは、これらのタスクの最先端のパフォーマンスを実現し、ポイントクラウド処理のための新しいブロックの汎用性を示している。

関連論文リスト

• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Few-Shot 3D Point Cloud Semantic Segmentation via Stratified Class-Specific Attention Based Transformer Network [22.9434434107516]
  数ショットのクラウド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新しい多層トランスフォーマーネットワークを開発した。 提案手法は,既存の数ショットの3Dポイントクラウドセグメンテーションモデルよりも15%少ない推論時間で,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T00:27:54Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• Point Cloud Semantic Segmentation using Multi Scale Sparse Convolution Neural Network [0.0]
  本稿では,マルチスケール超スパース畳み込みに基づく特徴抽出モジュールと,チャネルアテンションに基づく特徴選択モジュールを提案する。 マルチスケールのスパース畳み込みを導入することで、ネットワークは異なるサイズの畳み込みカーネルに基づいてよりリッチな特徴情報をキャプチャできる。
  論文  参考訳（メタデータ） (2022-05-03T15:01:20Z)
• Learning Local Displacements for Point Cloud Completion [93.54286830844134]
  本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。 アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。 オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-03-30T18:31:37Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• DRINet: A Dual-Representation Iterative Learning Network for Point Cloud Segmentation [45.768040873409824]
  DRINetは二重表現学習の基本的なネットワーク構造として機能する。 我々のネットワークは、ポイントクラウド分類とセグメンテーションタスクの最先端の結果を達成する。 大規模屋外シナリオでは,提案手法はフレーム当たり62msのリアルタイム推論速度で最先端の手法より優れる。
  論文  参考訳（メタデータ） (2021-08-09T13:23:54Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。