論文の概要: GP-Aligner: Unsupervised Non-rigid Groupwise Point Set Registration
Based On Optimized Group Latent Descriptor
- arxiv url: http://arxiv.org/abs/2007.12979v1
- Date: Sat, 25 Jul 2020 17:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 01:19:27.319193
- Title: GP-Aligner: Unsupervised Non-rigid Groupwise Point Set Registration
Based On Optimized Group Latent Descriptor
- Title（参考訳）: GP-Aligner:最適化グループ潜在記述子に基づく教師なしグループワイド点集合登録
- Authors: Lingjing Wang, Xiang Li, Yi Fang
- Abstract要約: GP-Aligner という新しい手法を提案する。
従来の非学習手法と比較して,提案手法はディープニューラルネットワークのパワーを活用することで,競争上の優位性を得る。
GP-Alignerは,グループワイズ・ポイント・セット登録のための最先端手法と比較して,精度と計算効率を両立させる。
- 参考スコア（独自算出の注目度）: 15.900382629390297
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this paper, we propose a novel method named GP-Aligner to deal with the
problem of non-rigid groupwise point set registration. Compared to previous
non-learning approaches, our proposed method gains competitive advantages by
leveraging the power of deep neural networks to effectively and efficiently
learn to align a large number of highly deformed 3D shapes with superior
performance. Unlike most learning-based methods that use an explicit feature
encoding network to extract the per-shape features and their correlations, our
model leverages a model-free learnable latent descriptor to characterize the
group relationship. More specifically, for a given group we first define an
optimizable Group Latent Descriptor (GLD) to characterize the gruopwise
relationship among a group of point sets. Each GLD is randomly initialized from
a Gaussian distribution and then concatenated with the coordinates of each
point of the associated point sets in the group. A neural network-based decoder
is further constructed to predict the coherent drifts as the desired
transformation from input groups of shapes to aligned groups of shapes. During
the optimization process, GP-Aligner jointly updates all GLDs and weight
parameters of the decoder network towards the minimization of an unsupervised
groupwise alignment loss. After optimization, for each group our model
coherently drives each point set towards a middle, common position (shape)
without specifying one as the target. GP-Aligner does not require large-scale
training data for network training and it can directly align groups of point
sets in a one-stage optimization process. GP-Aligner shows both accuracy and
computational efficiency improvement in comparison with state-of-the-art
methods for groupwise point set registration. Moreover, GP-Aligner is shown
great efficiency in aligning a large number of groups of real-world 3D shapes.
- Abstract（参考訳）: 本稿では,GP-Alignerという新しい手法を提案する。
従来の非学習手法と比較して,提案手法はディープニューラルネットワークのパワーを活用して,多数の高度に変形した3次元形状と優れた性能を効果的に学習することで,競争上の優位性を得る。
形式的特徴量とその相関関係を明示的特徴符号化ネットワークを用いて抽出する学習ベース手法と異なり,モデルフリーな学習可能な潜在記述子を用いてグループ関係を特徴付ける。
より具体的には、ある群に対して、まず最初に最適化可能な群潜在記述子(GLD)を定義して、点集合の群の間のグルオプワイズ関係を特徴づける。
各GLDはガウス分布からランダムに初期化され、群内の関連する点集合の各点の座標と連結される。
ニューラルネットワークベースのデコーダはさらに、形状の入力群から形状の整列群への所望の変換としてコヒーレントドリフトを予測するために構成される。
最適化プロセス中、GP-Alignerは、教師なしのグループワイドアライメント損失の最小化に向けて、デコーダネットワークの全GLDと重みパラメータを共同で更新する。
最適化後、各群に対して、我々のモデルは、目標として1つを指定せずに、中央の共通位置(形状)に設定された各点をコヒーレントに駆動する。
GP-Alignerは、ネットワークトレーニングのための大規模なトレーニングデータを必要としない。
GP-Alignerは,グループ単位の集合登録のための最先端手法と比較して,精度と計算効率の向上を示す。
さらに、GP-Alignerは現実世界の3D形状の多数のグループを整列させる際に非常に効率がよい。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Progressive Sub-Graph Clustering Algorithm for Semi-Supervised Domain
Adaptation Speaker Verification [17.284276598514502]
マルチモデル投票と二重ガウスに基づく評価に基づく新しいプログレッシブサブグラフクラスタリングアルゴリズムを提案する。
破滅的なクラスタリング結果を防止するため、段階的にkを増大させ、二重ガウスに基づく評価アルゴリズムを用いる反復的手法を採用する。
論文 参考訳（メタデータ） (2023-05-22T04:26:18Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - GROWL: Group Detection With Link Prediction [0.0]
グラフニューラルネットワーク(GNN)に基づくグループ検出に対する総合的アプローチを提案する。
提案手法であるGROup Detection With Link Predictionは,GNNに基づく手法の有効性を実証する。
以上の結果から,GNNに基づくアプローチは,異なるカメラビューにおける精度を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-11-08T11:52:48Z) - Adaptive Optimizers with Sparse Group Lasso for Neural Networks in CTR
Prediction [19.71671771503269]
深層学習における適応の族にスパース群ラッソの正規化子を追加する新しいフレームワークを開発する。
理論的に凸な設定では,収束保証が確立される。
提案手法は, 極めて優れた性能, 高い競争性能を達成できる。
論文 参考訳（メタデータ） (2021-07-30T05:33:43Z) - Learning Spatial Context with Graph Neural Network for Multi-Person Pose
Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。
本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。
学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文 参考訳（メタデータ） (2021-04-06T09:21:14Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳（メタデータ） (2021-02-07T23:48:24Z) - Self-grouping Convolutional Neural Networks [30.732298624941738]
本稿では,SG-CNNと呼ばれる自己グループ型畳み込みニューラルネットワークの設計手法を提案する。
各フィルタについて、まず入力チャネルの重要度を評価し、重要度ベクトルを同定する。
得られたデータに依存したセントロイドを用いて、重要でない接続を創り出し、プルーニングの精度損失を暗黙的に最小化する。
論文 参考訳（メタデータ） (2020-09-29T06:24:32Z)
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。